摘要：海量的人类移动轨迹数据为人类移动性研究、流行病预防、交通状态估计和城市设施布局评估等众多应用和研究领域提供了重要的数据来源。然而，由于轨迹数据反映了个体出行的具体私人信息，引发了安全担忧和信任危机，从而限制了数据的可用性。为解决此问题，本文在分析个体与群体移动模式之间交互特征的基础上，提出了一种移动模式隐私识别器（MPPR）和一种基于差分隐私的轨迹移动性隐私保护方法（DP-TMPP）。首先，我们基于群体和个体层面不同移动模式和隐私风险的特征建模，挖掘个体轨迹数据，以提取与不同隐私风险等级相关的移动转换模式。然后，基于创新的两阶段差分隐私框架——八叉树-窗口（Octree-Windows, OW）层级，我们针对特定的高风险转换模式构建并扰动局部吸引力函数，以专注于城市范围内的时空移动模型。最后，经过扰动的时空转换模型将指导轨迹数据的生成。实验结果表明，与使用差分隐私和深度学习进行轨迹生成的基线模型相比，MPPR和DP-TMPP的组合能够更有效地保护自然人类移动分布模式中固有的潜在隐私风险，同时最大限度地保留轨迹特征和轨迹效用。

差分隐私,轨迹隐私保护,群体移动模式,人类移动建模