TrajWeaver：基于状态传播扩散模型的轨迹恢复

基于摘要分析。研究针对城市环境中因采样率、基础设施覆盖及数据丢失造成的稀疏、碎片化移动轨迹，提出 TrajWeaver，将原始轨迹恢复为稠密、连续的时空轨迹。主要研究对象是人员、车辆和货物的移动轨迹，而非神经信号或 BCI。 方法以概率扩散模型为基础，利用沿途 Areas of Interest、用户身份及运单信息等辅助特征作为条件。核心 State Propagation Diffusion Model（SPDM）在标准扩散过程中加入状态传播机制，使较早扩散步骤计算的信息能够在后续步骤复用。作者报告，这种复用可改善恢复表现并减少所需扩散步数；摘要未说明传播状态的具体表示、更新方式、损失函数及训练和推理配置。 作者报告，在不同轨迹长度、稀疏程度及异质出行方式的实验条件下，TrajWeaver 的恢复精度显著优于所比较的先进基线，但摘要未给出数据集、划分、指标、数值、基线名称或统计检验，无法据此量化提升或判断计算成本。正文材料提供了代码地址，但代码完整性、运行环境、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若步骤间状态复用能保留有效信息而不放大重建误差，它可能用于 EEG 缺失片段重建的扩散推理加速。这一假设仅对应迭代重建机制，不意味着城市轨迹结果可直接迁移；原方法依赖稀疏时空观测及辅助条件，EEG 则需改造信号表示、条件输入与跨通道约束。低信噪比、跨被试或跨通道差异、小数据训练均可能使传播状态累积错误。可在固定 EEG 数据划分及人工缺失掩码下，对比启用与关闭状态传播的同一扩散模型，核对不同步数下的重建误差与推理耗时，并避免以重建精度替代 BCI 任务有效性。已有 EEG 相关工作尚未检索确认。