# Trajeform：人群数据嵌入

群体仿真旨在生成丰富、自然且与周围环境相适应的智能体行为。机器学习的最新进展使得直接从轨迹数据中学习此类行为模式成为可能，从而使仿真模型能够捕捉日益复杂的人群动态。然而，这类系统的能力仍高度依赖于训练阶段所使用的数据类型及其多样性。 在评估群体仿真器对真实世界数据集的泛化能力时，现有指标大多侧重于轨迹层面的差异，而非行为层面的相似性。为此，本文提出 Trajeform 框架。该框架在真实轨迹数据上训练重构型变分自编码器（VAE），以学习一种具有明确意义的连续嵌入表示，从而保留真实人群的行为特征。 训练完成的编码器可应用于仿真器生成的合成轨迹，进而比较所得的嵌入分布。此外，该嵌入表示还可用于分析辅助数据，例如对应仿真器核心行为的轨迹，或来自受控环境（如骑行场景）的采集数据，借此深入洞察其覆盖真实行为嵌入空间的能力。 本框架将三种仿真器（CCP、modCCP 和 RVO）的数据与真实基准数据集进行对比，并借助潜在空间分析、分布度量以及基于聚合后验分布采样生成轨迹等方法，开展定量与定性评估。结果表明，所学习的潜在空间成功捕捉了真实数据中存在的有意义轨迹依赖关系。这使得该框架既可用作衡量合成数据逼真度的补充指标，也能作为指导未来轨迹模型训练的有效工具。