MotiveMob：动机驱动的闭环移动轨迹生成

基于摘要分析。该研究面向用户层面与时间分布偏移下的人类移动轨迹生成，提出动机驱动的自回归框架 MotiveMob，将每一步移动拆分为“为什么移动”以及“去哪里、何时到达”的决策过程，并通过候选状态检查与反馈构成闭环。 核心机制是：动机预测器结合当前移动状态、长期行为报告和移动历史，推断下一步可能的动机，或决定终止轨迹；状态预测器依据该动机联合生成候选地点与到达时间。候选状态经过速度可行性和重复检查后，反馈给下一步决策。相较于摘要所述的日计划、轨迹级粗粒度意图描述或直接预测未来地点的方法，其区别在于显式构造逐步动机假设，并将其与状态生成及约束检查衔接。动机的监督来源、长期行为报告的构建方式、训练目标和检查失败后的处理方式尚未验证。 作者报告，在未见用户及未见时间段的分布偏移评估中，包括季节变化和 COVID-19 疫情引起的行为扰动，MotiveMob 相较具有竞争力的预训练式与提示式方法取得更好的分布保真度。摘要未提供数据集、划分细节、指标定义、具体数值或基线名称，实验协议、消融及统计信息尚未验证；因此不能据此量化收益或认定动机机制本身带来了全部提升。 平台推测（待验证）：其可迁移思路是以高层语义假设约束低层时序生成，而非直接迁移城市轨迹模型。假设在具有任务阶段或意图标注的 EEG 数据中，可复用“语义状态—观测生成—约束反馈”的分解，但需重建 EEG 状态表示、监督信号及生理可行性检查；地点、到达时间和速度约束不能直接沿用。低信噪比、跨被试及通道差异可能使语义假设不稳定，小数据下闭环反馈还可能累积错误。可在同一跨被试划分下，对比直接时序生成与加入任务阶段条件的生成，并消融反馈检查，检验其是否改善预先定义的信号保真度及下游解码表现。已有 EEG 相关工作尚未检索确认。