Les données de trajectoires humaines sont essentielles pour la planification urbaine, l’ingénierie du trafic et la santé publique. Toutefois, leur utilisation directe dans le monde réel soulève souvent des défis tels que les préoccupations liées à la vie privée, les coûts élevés d’acquisition des données et la qualité des données. Une solution pratique à ces problèmes réside dans la génération de trajectoires, une méthode développée pour simuler les comportements de mobilité humaine. Les méthodes existantes de génération de trajectoires se concentrent principalement sur la capture des motifs individuels de déplacement, tout en négligeant souvent l’influence de la répartition de la population sur la génération des trajectoires. En réalité, la répartition dynamique de la population reflète les variations de densité de population à travers différentes régions, ce qui a un impact significatif sur les comportements individuels de mobilité. Nous proposons donc un cadre novateur de génération de trajectoires basé sur un modèle de diffusion, intégrant des contraintes liées à la répartition dynamique de la population afin de guider des résultats de génération de haute fidélité. Plus précisément, nous construisons un graphe spatial afin d’améliorer la corrélation spatiale des trajectoires. Ensuite, nous concevons un réseau de débruitage conscient de la répartition dynamique de la population, capable de capturer les dépendances spatio-temporelles des comportements de mobilité humaine ainsi que l’impact de la répartition de la population au cours du processus de débruitage. Des expériences étendues montrent que les trajectoires générées par notre modèle se rapprochent des trajectoires du monde réel selon plusieurs métriques statistiques clés, surpassant les algorithmes de pointe de plus de 54 %.