CoBAD：用于人类 mobility 异常检测的集体行为建模
摘要
检测人类 mobility 异常对于公共安全和城市规划等应用至关重要。虽然传统异常检测方法主要关注individual movement patterns（例如，儿童应待在家中夜间），但collective anomaly detection旨在识别跨individuals的集体 mobility 行为中的不规则现象（例如，儿童独自在家而父母在其他地方），这仍是未充分探索的挑战。与individual anomalies不同，collective anomalies 需要建模individuals之间的时空依赖关系，这引入了额外的复杂性。为此，我们提出CoBAD——一个用于人类 mobility 异常检测的集体行为建模模型。我们首先将问题表述为对Collective Event Sequences（CES）的无监督学习，CES代表关联individuals的事件序列，并构建co-occurrence event graph。CoBAD随后采用两阶段注意力机制来建模individual mobility patterns以及多个individuals之间的相互作用。通过在大规模collective behavior数据上进行掩码事件和链接重建任务的预训练，CoBAD能够检测两种collective anomalies：unexpected co-occurrence anomalies和absence anomalies（后者在先前工作中鲜有被关注）。在大规模mobility数据集上的广泛实验表明，CoBAD显著优于现有异常检测基线，AUCROC提升13%-18%，AUCPR提升19%-70%。所有源代码已提供：https://github.com/wenhaomin/CoBAD。
引用
@article{arxiv.2508.14088,
title = {CoBAD: Modeling Collective Behaviors for Human Mobility Anomaly Detection},
author = {Haomin Wen and Shurui Cao and Leman Akoglu},
journal= {arXiv preprint arXiv:2508.14088},
year = {2025}
}