仅需 5% 训练样本达到最优性能，清华大学研究团队发布条件去噪扩散模型 SPDiff，实现长程人流移动模拟
内容提要
人流移动模拟是模拟人员移动的技术，可应用于游戏、城市规划、建筑设计和交通组织等领域。清华大学研究人员提出了一种新的条件去噪扩散模型，通过社会力引导的扩散过程来模拟人群行为。该模型集成了等变性的强归纳偏差，并开发了适用于扩散模型的长程训练算法。实验证明该模型相对于基线方法有显著性能提升。
延伸解读
社会物理知识与扩散模型的融合创新
SPDiff的核心创新在于将社会力模型等社会物理知识嵌入扩散模型的设计中。传统扩散模型直接生成轨迹，缺乏物理约束，而SPDiff通过人群交互模块，利用社会力模型指导去噪过程，使生成的轨迹更符合真实人群运动规律。这种知识-数据协同驱动的研究范式，不仅提升了模拟的真实性，也为其他物理系统模拟提供了新思路。
等变设计大幅提升数据效率
等变图卷积网络层的引入，使模型对平移、旋转等变换具有泛化能力。实验表明，仅使用5%的训练样本，SPDiff的MAE指标相比使用100%样本时最大降幅仅为2.5%，且等变设计在MAE和OT指标上分别最多提升13.2%和22%。这意味着在数据稀缺的场景下，等变设计能显著降低对大量标注数据的依赖，提升模型实用性。
多帧推演训练保障长程模拟稳定性
长程模拟中，累积误差会导致轨迹偏离真实情况。SPDiff采用多帧推演训练算法，在时间窗口内模拟轨迹并计算累积误差作为损失，惩罚短视行为。实验显示，该方法在长时间模拟中能持续保持较低误差，相比基线方法，在微观和宏观指标上提升6%至37%，有效解决了长程模拟的物理一致性问题。
消融实验验证各组件必要性
通过消融实验，研究者验证了社会物理知识融合、历史处理模块和多帧推演训练算法对性能的贡献。移除任一组件都会导致性能下降，其中移除社会物理指导相关设计时性能损失最大，表明融合社会物理知识对人群模拟至关重要。这为未来研究指明了关键方向：物理知识与深度模型的结合不可或缺。
Q&A
SPDiff模型的主要创新点是什么？
SPDiff模型通过社会力引导的扩散过程模拟人群行为，并集成了等变性的强归纳偏差，增强了模型的泛化能力。
人流移动模拟技术有哪些应用领域？
人流移动模拟技术可应用于游戏、城市规划、建筑设计和交通组织等领域。
SPDiff模型如何确保长程模拟的物理一致性？
SPDiff模型开发了适用于扩散模型的长程训练算法，以保证模型结果的长程物理一致性。
人群运动的异质性和多模态性是什么？
人群运动的异质性指个体行为受偏好和环境影响的复杂性，多模态性则是指人类行为的不确定性导致的轨迹多样性。
SPDiff模型在性能上相较于基线方法有何提升？
SPDiff模型在微观和宏观指标上相较于基线方法有6%至37%的显著性能提升。
如何利用社会力模型指导人流移动模拟？
社会力模型通过提供行人之间的相互作用和环境影响，指导去噪过程，从而提高模拟的真实性。
