CroTad：面向在线轨迹异常检测的对比强化学习框架
机器学习
2025-11-24 v1 数据库
摘要
检测轨迹异常是现代智能交通系统（ITS）中的关键任务，能够识别不安全的、低效的或不规则的旅行行为。尽管深度学习已成为主流方法，但仍存在若干关键挑战未被解决。其一，能够精确定位异常发生位置的子轨迹异常检测，相较于整体轨迹分析仍未得到充分探索。其二，许多现有方法依赖精确调校的阈值，限制了其在实际应用中的适应性。此外，轨迹数据的不规则抽样以及训练集中的噪声，进一步降低了模型性能，使得学习正常路线的可靠表征变得困难。为此，我们提出了一种用于在线轨迹异常检测的对比强化学习框架——CroTad。该方法无需阈值，能够抗噪声且对不规则抽样数据具有鲁棒性。通过引入对比学习，CroTad能够从不同路线中提取多样化的正常旅行模式，并在子轨迹和点层面有效区分异常行为。检测模块利用深度强化学习实现在线实时异常评分， enables timely and fine-grained identification of abnormal segments。 extensive experiments on two real-world datasets demonstrate the effectiveness and robustness of our framework across various evaluation scenarios.
引用
@article{arxiv.2511.16929,
title = {CroTad: A Contrastive Reinforcement Learning Framework for Online Trajectory Anomaly Detection},
author = {Rui Xue and Dan He and Fengmei Jin and Chen Zhang and Xiaofang Zhou},
journal= {arXiv preprint arXiv:2511.16929},
year = {2025}
}
备注
18 pages, 4 figures, will be submitted to VLDBJ