本論文では、都市の移動や位置情報サービスにおけるプライバシーを保護した研究から注目を集める軌道生成に焦点を当てています。従来の深層学習や生成AIを用いた軌道モデルは、ロバスト性や解釈可能性が十分に探求されておらず、ノイズの多い現実データへの適用が制限されています。本研究では、都市軌道の規則的な構造を利用し、パスレット表現に基づいた深層生成モデルを提案します。このモデルは、学習した軌道セグメントの辞書と関連付けられた2進ベクトルによって軌道を符号化します。特に、確率的グラフィカルモデルを用いて軌道生成プロセスを説明し、変分オートエンコーダ（VAE）および線形デコーダを組み合わせています。モデルはノイズデータを用いても効果的にデータ分布を学習し、実世界のデータセットに対して35.4％および26.3％の改善を達成しました。また、生成された軌道は予測やデータのノイズ除去など多くの下流タスクに活用可能で、効率性の面でも以前の手法に比べて時間を64.8％、GPUメモリを56.5％節約することができます。