La descripción elaborada de los perfiles de viaje de los pasajeros es de gran importancia en la planificación urbana, el diseño estructural socioeconómico y el análisis de las preferencias de viaje individuales. Los modelos tradicionales a menudo carecen de consideración de características personalizadas y exhiben un rendimiento subóptimo en la construcción de dependencias espaciotemporales. Para abordar estos problemas, este documento propone un método que integra información espaciotemporal con información relacionada con el viaje y emplea redes generativas antagónicas (GAN) para el entrenamiento adversarial. Este método ajusta con precisión la verdadera distribución de los datos de viaje de los usuarios, proporcionando así perfiles detallados del comportamiento de viaje de los pasajeros del transporte público. Específicamente, el enfoque propuesto considera la cadena de viaje completa de los individuos, establece un modelo de representación de restricciones espaciotemporales y utiliza GAN para simular la distribución de los viajes de los pasajeros, obteniendo características de vectores de viaje más compactas y de alto nivel. Los resultados empíricos demuestran que el método propuesto captura con precisión los patrones de viaje de los pasajeros en las dimensiones temporal y espacial, ofreciendo apoyo técnico para la planificación del transporte urbano.