稀疏 GPS 轨迹的少样本半监督异常停止检测
机器学习
2025-10-15 v1
摘要
跨城巴士运输中的异常停止检测（ASD）对于确保乘客安全、运营可靠性和合规性具有关键作用。然而，两个关键挑战阻碍了ASD的有效性：稀疏的 GPS 轨迹掩盖了短暂或未授权的停止，以及标签数据有限，限制了监督学习的应用。现有方法常假设密集采样或规则运动模式，限制了其适用性。为解决数据稀疏性，我们提出了一种稀疏感知分段（SAS）方法，通过局部空间时间密度自适应定义分段边界。基于这些分段，我们引入了三个领域特定指标来捕捉异常停止行为。为进一步缓解稀疏性的影响，我们开发了基于局部相似性图的局部时间指标引导调整（LTIGA），通过平滑这些指标。为克服标签稀缺，我们构建了一个空间时间图，其中每个分段是一个节点，具有LTIGA细化的特征。我们应用标签传播在图上扩张弱监督信号，然后通过图卷积网络（GCN）学习关系模式。最后的一个自训练模块整合高置信度的伪标签，以迭代改进预测。实验在真实巴士数据上表明，使用仅10个标记实例即可实现0.854的AUC和0.866的AP，超越了先前方法。代码和数据集已公开于 \href{https://github.com/pangjunbiao/Abnormal-Stop-Detection-SSL.git}。
引用
@article{arxiv.2510.12686,
title = {Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories},
author = {Muhammad Ayub Sabir and Junbiao Pang and Jiaqi Wu and Fatima Ashraf},
journal= {arXiv preprint arXiv:2510.12686},
year = {2025}
}