城市时序网络中的模式与异常检测
物理与社会
2019-12-05 v1 社会与信息网络
摘要
包括出行在内的广泛城市活动可建模为随时间演化的时序网络。由市政运作中断、群众聚集、节假日与自然灾害等事件引起的城市动力学突变，潜在地反映于这些时序出行网络中。此类异常发展的识别与早期检测对交通规划与安全至关重要。从高维网络数据中检测异常是一项挑战性任务，因为边级度量常具低数值与高方差，导致高噪声-信号比。本研究中，我们提出一种通用三阶段流水线方法，以应对原始数据的维数灾难与噪声。我们的流水线包括 i) 利用社区检测的初步网络聚合，ii) 无监督降维，iii) 对所得表示进行聚类以检测离群点。我们在来自纽约市与台北市两大城市收集的出行数据上进行了广泛实验来评估所提方法。结果经验性地证明所提方法优于传统的异常检测方法。我们进一步主张所提异常检测框架潜在可推广至多种其他类型的时序网络，例如社会交互、信息扩散与传染病传播。
引用
@article{arxiv.1912.01960,
title = {Pattern and Anomaly Detection in Urban Temporal Networks},
author = {Mingyi He and Shivam Pathak and Urwa Muaz and Jingtian Zhou and Saloni Saini and Sergey Malinchik and Stanislav Sobolevsky},
journal= {arXiv preprint arXiv:1912.01960},
year = {2019}
}
备注
12 pages, 3 figures