面向人类 mobility 数据的行为感知时空异常检测

传统的人类 mobility 异常检测主要关注轨迹层面，识别跨聚合运动轨迹的统计异常或时空不一致性。然而，在包含大规模人群数据的 datasets 中，检测 individual-level 异常——即相对于其自身历史模式的异常行为偏差——仍是一个重大挑战。本文提出BeSTAD(面向行为的时空异常检测 for Human Mobility Data)，一个无监督框架，捕获大规模人群中个体化的行为特征，并通过联合建模空间上下文和时间动态，发现细粒度的异常。BeSTAD学习从语义丰富的 mobility 表示中提取的特征，将位置含义和时间模式相结合，实现对个体运动行为细微偏差的检测。BeSTAD进一步采用行为聚类感知的建模机制，从正常活动中构建个人化行为轮廓，并通过保持语义对齐的跨时段行为比较来识别异常。基于 mobility 行为聚类先前工作，这一方法不仅能够识别行为转变和偏离既定常规的模式，还能在大规模 mobility 数据集中识别表现出此类变化的个体。通过从无标签数据中直接学习个体行为，BeSTAD推动了异常检测向面向个体化和可解释性的 mobility 分析发展。