基于语言模型的轨迹异常检测
机器学习
2024-09-25 v1 人工智能
摘要
本文提出了一种基于自回归因果注意力模型的轨迹异常检测方法，称为 LM-TAD。该方法利用语言声明与轨迹之间的相似性，两者均由有序元素组成，需要通过外部规则和上下文变化实现连贯性。通过将轨迹视为标记序列， our model 学习轨迹的概率分布，从而实现对异常位置的高精度识别。我们纳入用户特定标记以 account for individual behavior patterns，增强针对用户情境的异常检测能力。我们的实验表明，LM-TAD 在 synthetic 和 real-world 数据集上均表现有效。特别是，该模型在 Pattern of Life (PoL) 数据集上超越了现有方法，成功检测到用户情境相关的异常，在 Porto 出租车数据集上取得具竞争力的结果，凸显了其适应性和鲁棒性。此外，我们引入了困惑度和惊讶率指标用于检测离群点并定位特定的异常位置。LM-TAD 框架支持 various trajectory representations，包括 GPS 坐标、停留点和活动类型，证明其在处理多样化轨迹数据方面的 versatility。此外，我们的方法特别适合用于在线轨迹异常检测，通过缓存注意力机制的 key-value 状态来显著减少计算延迟，避免重复计算。
引用
@article{arxiv.2409.15366,
title = {Trajectory Anomaly Detection with Language Models},
author = {Jonathan Mbuya and Dieter Pfoser and Antonios Anastasopoulos},
journal= {arXiv preprint arXiv:2409.15366},
year = {2024}
}