利用图与深度学习不确定性检测异常轨迹
机器学习
2022-03-15 v2 人工智能
摘要
理解和表示交通模式是交通领域检测异常轨迹的关键。然而，某些轨迹尽管符合正常模式，却可能表现出异质的机动特征。因此，我们提出了一种基于图的轨迹表示与关联方案，用于提取和整合交通运动模式，从而使数据模式与不确定性能够被深度学习（DL）模型学习。本文提出使用基于循环神经网络（RNN）的证据回归模型，该模型可预测未来时间步的轨迹并估计相关的数据与模型不确定性，从而利用自动识别系统（AIS）数据检测海上异常轨迹，例如异常的船舶机动。此外，我们利用证据深度学习分类器，结合预测类别概率及其不确定性，检测船舶的异常转向与信号丢失。我们的实验结果表明，交通模式的图表示提升了 DL 模型（如证据模型和蒙特卡洛 dropout）学习数据时空相关性及相应不确定性的能力。通过不同数据集与实验，我们证明了所估计的预测不确定性为海上及其他可能领域的交通异常检测提供了基础性信息。
引用
@article{arxiv.2107.01557,
title = {Leveraging Graph and Deep Learning Uncertainties to Detect Anomalous Trajectories},
author = {Sandeep Kumar Singh and Jaya Shradha Fowdur and Jakob Gawlikowski and Daniel Medina},
journal= {arXiv preprint arXiv:2107.01557},
year = {2022}
}
备注
Under submission in a Journal