- 9 次围观
动物运动的逼真模拟是保护生物学、栖息地建模和生态情景评估的基础。传统方法难以捕捉多尺度轨迹动力学,而由于数据稀缺,面向完整轨迹模拟的生成式深度学习在生态学中仍鲜有探索。我们表明,一个在数百万车辆 GPS 轨迹上预训练的扩散模型,仅需在数百条海鸟中心地觅食航程上进行微调,便可同时生成在生态学上逼真的五个物种、六个繁殖群落的轨迹。经微调的模型在涵盖步长动力学、空间分布和行为时间特征的各项运动指标上,始终优于四种最先进的基线方法(GAN、VAE、HMM、iSSF),且计算时间相当或更短。领域迁移在 35 分钟内即可达到完整性能,而从头训练则需 7 小时;对物种和繁殖群落进行条件化设定,使模型能够仅凭少至 10 条轨迹便泛化到未见过的组合。这些结果确立了跨领域迁移学习作为一种数据高效的生成式动物运动建模新范式。
动物运动的真实模拟是保护生物学、生境建模和生态情景评估的基础。传统方法难以捕捉多尺度轨迹动力学,而由于数据稀缺,生态学中针对完整轨迹模拟的生成式深度学习仍基本未被探索。我们表明,一个在数百万条车辆 GPS 轨迹上预训练的扩散模型,可以在数百次海鸟中心地觅食航行数据上进行微调,从而同时为五个物种和六个繁殖群落生成生态上真实的轨迹。微调后的模型在涵盖步长动力学、空间分布和行为时间性等运动指标上,始终优于四种最先进的基线方法(GAN、VAE、HMM、iSSF),且计算时间相当或更短。迁移领域的模型在 35 分钟内即可达到完整性能,而从头训练则需要 7 小时;并且,对物种和群落进行条件化后,该模型仅需少至 10 条轨迹即可泛化到未见过的组合。这些结果确立了跨领域迁移学习作为一种面向数据高效生成式动物运动建模的新范式。
作者声明不存在任何竞争性利益。
注:我们仅请求您的电子邮件地址,以便将您识别为本文作者。
📄 原文链接:https://www.biorxiv.org/content/10.64898/2026.07.14.736596v1?rss=1
🏷️ 轨迹生成 迁移学习 扩散模型 动物运动建模 生态学模拟
来源出处
从车辆到野生动物:用于轨迹生成的可迁移深度学习
https://www.biorxiv.org/content/10.64898/2026.07.14.736596v1?rss=1