图增强轨迹异常检测
机器学习
2025-09-24 v1 人工智能
摘要
轨迹异常检测对于识别智能交通系统、城市安全和欺诈预防等应用中异常和意外的运动模式至关重要。现有方法仅考虑轨迹本质及其运动空间的有限方面，将轨迹视为采样位置序列，采样由定位技术（如 GPS）或高级抽象（如停留点）决定。轨迹在欧几里得空间中分析，忽略了底层运动网络（如道路或交通网络）的约束和连接信息。所提出的图增强轨迹异常检测（GETAD）框架紧密集成道路网络拓扑、路段语义和历史出行模式来建模轨迹数据。GETAD 使用图注意力网络学习道路感知嵌入，捕捉物理属性和转换行为，并通过反映道路网络空间布局的图式位置编码进行增强。基于 Transformer 的解码器对序列运动建模，而结合自回归预测和监督链接预测的多目标损失函数确保生成真实且结构一致的表示。为提高异常检测的鲁棒性，我们引入了置信度加权负对数似然（CW NLL），一种强调高置信度偏差的异常评分函数。在真实和合成数据集上的实验表明，GETAD 在现有方法上取得了一致改进，特别是在检测道路约束环境中的细微异常方面。这些结果凸显了将图结构和上下文语义融入轨迹建模的好处，实现了更精确和上下文感知的异常检测。
引用
@article{arxiv.2509.18386,
title = {Graph Enhanced Trajectory Anomaly Detection},
author = {Jonathan Kabala Mbuya and Dieter Pfoser and Antonios Anastasopoulos},
journal= {arXiv preprint arXiv:2509.18386},
year = {2025}
}