【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
【异常轨迹检测】Online Anomalous Trajectory Detection with Deep Generative Sequence Modeling相关推荐
- Online Anomalous Trajectory Detection with Deep Generative Sequence Modeling
Online Anomalous Trajectory Detection with Deep Generative Sequence Modeling 在许多实际应用中,异常轨迹的检测已经成为一个重 ...
- 基于网络索引树的异常轨迹检测算法
针对轨迹数据的运动规律和特征,结合空间划分的方法,提出本文的基于网络索引的异常轨迹检测方法. 实验结果表明,该算法可提高异常轨迹挖掘效率,且更有现实意义. 该算法不足:对参数比较敏感,目前(2014) ...
- 异常检测综述(Anomaly Detection: A Survey)
Anomaly Detection: A Survey 异常检测综述: 异常检测是一个重要的问题,已经在不同的研究领域和应用领域进行了研究.许多异常检测技术是专门为某些应用领域开发的,而其他技术则更为 ...
- 【时序异常检测翻译】1.DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
DeepAnT:一种用于时间序列中无监督异常检测的深度学习方法 摘要 传统的基于距离和密度的异常检测技术无法检测流数据中常见的周期性和季节性点异常,在当前物联网时代,时间序列异常检测存在很大差距.为了 ...
- 异常行为检测论文学习综述
近来找了几篇异常行为检测的论文,先大概浏览了一下摘要,记录主要内容,以便后续查看. 1.Abnormal behavior detection using hybrid agents in crowd ...
- 论文笔记:Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNe
Spatial-Temporal Map Vehicle Trajectory Detection Using Dynamic Mode Decomposition and Res-UNet+ Neu ...
- 【学习笔记】行人异常行为检测的综述
第一次发博客,想记录一下最近所学的东西.目前课题研究方向大致为异常检测,可能会做到校园的异常行为检测,故从知网上搜到了一篇比较新的基于深度学习的人群异常行为检测综述,在这里做一个总结,方便日后的查看. ...
- 异常行为检测算法_检测异常行为的异常或异常类型算法
异常行为检测算法 Anomaly detection is a critical problem that has been researched within diverse research ar ...
- 2020 ICDM | AANE: Anomaly Aware Network Embedding For Anomalous Link Detection
2020 ICDM | AANE: Anomaly Aware Network Embedding For Anomalous Link Detection Paper Link: https://i ...
最新文章
- 明日召开!ICLR 2021中国预讲会明天开启,为期3天,5大专题,39场报告
- ffmpeg rtsp转 rtmp
- java基础系列:集合基础(2)
- js滑动到底部加载更多
- PAT_B_1057_Java(20分)
- adafruit1306_Adafruit的2015年最佳开源可穿戴设备
- 002A demo of the Spectral Co-Clustering algorithm
- Android系统信息获取 之八:WIFI设备和WIFI信号信息获取
- VS2010 winform程序发布步骤
- WebView基本使用
- GPS坐标单位(度分秒)的换算方法
- uniapp快速开发微信、支付宝app支付
- 自动化报表,标准化流程---“JSL”(JMP编程语言),与重复操作说拜拜
- ArcCatalog中通过ArcSDE向Oracle数据库中导入数据
- 自反ACL实验(GNS3)
- 有效沟通bic法则_有效沟通bic法则_合格职场人都会的3个有效的沟通法则
- 微软全球最有价值专家(MVP) - 中国区2008年7月最有价值专家名录
- python图片查看器
- AE学习日记之MapControl与PageLayoutControl图层变化同步
- 设备一路485如何供两台电脑使用_干货!消防设备供电系统有哪些部分构成,用电负荷等级如何划分?...
热门文章
- jquery的$.alerts.alert怎么实现点击后跳转页面
- 74191五进制减法计数器1/2分频
- python的薪资待遇-python数据分析师待遇有多少?工资待遇如何?
- java毕业设计房产置购门户网站Mybatis+系统+数据库+调试部署
- 【集合论】关系幂运算 ( 关系幂运算 | 关系幂运算示例 | 关系幂运算性质 )
- 程序中任务(中断)间共享资源(临界区)的保护和互斥
- 新的一年,来看看大数据与AI的未来展望
- 杨钦鸿:支付宝开放平台开发助手安装已中止,安装程序并未成功地运行完成该如何处理?
- 实现图片抽奖(可加入暗箱操作)全部代码,年会超实用!!!
- 字符串排序-newcoder