随着位置服务应用的风靡,位置服务运营商在收集大量的用户移动数据用于数据分析的同时,也带给用户隐私泄露的风险。为避免这一风险,数据发布方在发布数据前通常会对用户的原始数据进行隐私保护处理。但是扰动后的数据在一定范围内仍然保留了用户的轨迹分布特征和轨迹间相似度,隐私泄露的问题依然存在。发现隐私保护方法中存在的隐私泄露场景,对未来的保护方法的完善具有现实意义。现有的移动数据推理研究中,针对差分隐私保护的推理方法很少,这是因为差分隐私保护是基于坚实的数学理论基础和严格的量化机制实现的;其次,攻击者能获取的用户原始出行信息往往很少,有限的背景知识增加了有效推理的难度。针对上述问题,提出了一种面向差分隐私保护的位置与用户轨迹间相似度推理方法（synthetic trajectory to original trajectory based on generative adversarial networks,s2o＿gan）,利用面向位置推理的生成式对抗网络克服背景知识较少时神经网络训练效果欠佳的问题。攻击者在收集了少量用户的原始轨迹作为背景知识的情况下,利用s2o＿gan推理其他用户的原始信息。首先,s2o＿gan的生成器从分段后的轨迹中提取出位置和位移向量特征,通过起始位置推理方法确定原始轨迹的起始位置,并通过搭建基于编码-解码框架的轨迹表示学习模型,深入挖掘扰动轨迹的位移向量特征中仍然保留的原始空间转移特征,以此拼接出完整轨迹。其次,s2o＿gan在传统的生成式对抗网络损失函数基础上,增加了衡量推理轨迹与原始轨迹轨迹特征偏差的均方误差损失,引导生成器在与鉴别器的对抗训练后推理出逼近原始轨迹的轨迹。最后,s2o＿gan利用推理出的用户原始出行信息推理出数据集中用户间原始的轨迹相似度。在三个开源数据集上应用了四种不同的差分隐私保护方法作为实验数据,设计了s2o＿gan、基线方法以及消融方法的对比实验。实验结果表明,s2o＿gan能在不同攻击场景中稳定地在一定误差范围内推理出原始的位置和用户轨迹间相似度,且在衡量推理效果的多种指标上的表现均优于对比方法。