【异常轨迹检测】Online Anomalous Trajectory Detection with Deep Generative Sequence Modeling

论文简介

现有的异常轨迹检测方法主要存在两方面的问题：

无法处理复杂多变的轨迹数据；
不支持以在线异常检测。

本文提出了高斯混合变分序列自动编码器(Gaussian Mixture Variational Sequence AutoEncoder (GM-VSAE))异应对这些挑战，其优点主要有以下几方面：

可以捕捉轨迹中的序列信息；
从轨迹中挖掘不同类型的正常轨迹并将其映射到连续隐空间中；
支持通过轨迹生成进行有效的在线检测。

在两个真实数据集上的实验表明，GM-VSAE比目前最先进的基线方法更有效，能够有效地在线检测异常轨迹。

背景介绍

随着移动设备和传感器技术(如GPS)的普及，大量的位置轨迹(即轨迹)正以前所未有的速度生成。例如，在一个现代化的城市中，每天有数万辆出租车行驶，产生大量的轨迹。这些轨迹包含有关人员、车辆、货物和服务流动的丰富信息。随着大规模轨迹数据的可用性，在许多现实场景中，自动检测异常轨迹已成为一个关键问题。例如，许多游客是出租车欺诈的受害者，即出租车司机走不必要的弯路多收乘客的钱。
直观地，在一段旅程（从起点S到终点D）中不遵循正常路线的轨迹被认为是异常的。

如图1所示，T1和T2是两个异常轨迹的例子。T1并不遵循正常的路线（r1和r2）；T2从路线r3切换到了r4。这可能标志着在r3’发生了异常状况（比如修路，车祸）。

基本思路

异常轨迹检测主要面对以下两方面的挑战：

发现正常路线。轨迹异常检测的关键是有效地发现并表示正常路线的轨迹。然而，由于交通系统的复杂性，正常路线的轨迹在不同的地点可能是不同的，因而难以预先定义和表示。此外，路线的不同组成部分的顺序联系也应当被考虑到。
高效在线检测。为了在异常发生时迅速采取对策，我们希望能在轨迹生成时不断地更新其异常值。然而，这是非常困难的，因为轨迹的生成是高速和大规模的。

在本文中，作者提出了基于深度生成模型的GM-VSAE，由一个路线推断网络和一个路线引导生成网络组成，各自解决了前述的两个挑战。

为解决挑战1，作者提出了一个应用RNN的推断网络来编码(encode)复杂的顺序轨迹信息，并将其表示为连续的隐空间向量。与此同时，联合学习高斯混合模型来模拟隐空间中所表示的路径的概率分布。在隐空间中，越靠近高斯中心的路线越有可能是正常路线，因为它们有更高的概率被旅行。

为解决挑战2，作者利用生成网络设计了生成-检测的方案。直觉是，因为异常轨迹不遵循正常路线，因而它们不能通过生成网络由正常路线很好地生成出来。因而，我们通计算由正常路径生成的likelihood来来检测轨迹，其中likelihood的计算是在线的，时间为O(1)。尽管如此，GM-VSAE的轨迹生成的时间开销仍会随着高斯混合分布的组成成分的增加而增加。因此作者在最后进一步提出了一种近似先验推断方法，仅选择高斯混合模型的一个成分来生成和检测轨迹，有效地节约了时间。

问题定义

方法总览

首先，我们训练一个GM-VSAE模型，可以

推断并表示轨迹代表的路线为隐空间向量
建立路线分布的模型
对给定的特定路线，生成轨迹

然后基于GM-VSAE模型，我们建立一个高效的异常轨迹检测框架，可以

从学习到的路线概率分布中发现正常路线
通过计算轨迹从正常路线中生成的概率进行检测

此外，作者还提出了一个近似的方法，SD-network，来进一步提高检测效率。

具体实现

GM-VSAE

GM-VSAE主要由以下几个部分组成：

推断网络
q ϕ ( r ∣ T ) q_\phi(r|T) qϕ(r∣T):对给定的轨迹 T = ( t 1 , t 2 , . . . . , t n ) T=(t_1,t_2,....,t_n) T=(t1,t2,....,tn)推断出隐空间路线向量。我们使用RNN来实现。在每一步i, h i = f ( t i , h i − 1 ) , i = 1 , 2 , . . . . , n h_i=f(t_i,h_{i-1}),i=1,2,....,n hi=f(ti,hi−1),i=1,2,....,n

f可以是LSTM或者GRU。 r T r_T rT的后验分布为 r T ∼ q ϕ ( r ∣ T ) = N ( μ T , σ T 2 I ) r_T \sim q_\phi(r|T)=N(\mu_T,\sigma^2_T I) rT∼qϕ(r∣T)=N(μT,σT2I)。
路线概率分布
生成网络

效率提升

实验结果

代码