用于检测人类语义轨迹异常的神经协同过滤

人类轨迹异常检测正在成为广泛应用的重要任务，包括安全监视和公共卫生。然而，现有的轨迹异常检测方法主要关注车辆级交通，而人类级轨迹异常检测仍属under-explored领域。由于人类轨迹数据通常非常稀疏，机器学习方法已成为识别复杂模式的首选方法。然而，关于这些模型潜在偏见和鲁棒性的关注加剧了对更透明和可解释替代方案的需求。针对这些挑战，我们的研究聚焦于开发一种专为检测人类轨迹异常而设计的轻量级异常检测模型。我们提出了一种神经协同过滤方法来建模和预测正常的 mobility。该方法旨在无需先验知识地建模用户的日常生活模式，从而在数据稀疏或不完整的情况下(例如冷启动情况)提升性能。我们的算法由两个主要模块组成。第一个是协同过滤模块，对模型 individual humans 的正常 mobility 至兴趣地点应用协同过滤。第二个是神经模块，负责解释人类轨迹数据中固有的复杂时空关系。为验证我们的方法，我们使用模拟和真实世界数据集进行了大量实验，比较了诸多最先进的轨迹异常检测方法。