GLOSS：基于张量的时空城市交通数据异常检测
信号处理
2021-03-02 v2
摘要
时空数据中的异常检测是包括高光谱成像、视频监控与城市交通监测等多种应用中面临的挑战性问题。就城市交通数据而言，异常指交通拥堵与意外人群聚集等不寻常事件。由于异常定义依赖于时间与空间，检测这些异常颇具挑战。本文提出一种无监督的基于张量的时空城市交通数据异常检测方法。所提方法假设异常是稀疏且时间连续的，即异常表现为在空间上连续的位置群组，在较短时间内持续呈现异常值。此外，采用流形嵌入方法以在各模态上保持数据的局部几何结构。所提框架——图正则低秩加时间平滑稀疏分解（GLOSS）——被表述为优化问题，并使用交替方向乘子法（ADMM）求解。所得算法被证明收敛且对缺失数据与噪声具有鲁棒性。该框架在合成与真实时空城市交通数据上进行了评估，并与基线方法比较。
引用
@article{arxiv.2010.02889,
title = {GLOSS: Tensor-Based Anomaly Detection in Spatiotemporal Urban Traffic Data},
author = {Seyyid Emre Sofuoglu and Selin Aviyente},
journal= {arXiv preprint arXiv:2010.02889},
year = {2021}
}