题目：[IJCAI2019]分解交
作者信息：
正文开始：
这篇文章主要思想是将交通动态分解为正常+异常两个组成部分，用异常部分代替总的交通动态进行异常检测任务，从而提升检测效果。更具体点讲，总的交通动态是由实时观测得到，至于分解出的两个因子：正常动态和异常动态，其中正常动态是由时间特征和空间特征共同决定，异常动态是由异常事件所决定。总的交通动态中去除掉正常因子部分，我们就认为剩下的是异常因子部分。最后用分解出的异常因子代替总的交通动态，输入到通用的异常检测器中，即可对某时间段内的某一区域的异常程度进行评分。
下面我们先看一下它的方法的详细操作：
分3个模块完成异常检测任务：
1）特征提取模块：挑选时间相关信息(如周几、时辰、天气等)构建temporal feature、设计了一种geo-embedding方法学习spatial feature；
2）正常动态估测模块：将temporal feature和spatial feature共同作为一个Neural Network的输入，输出即是融合了的时空特征spatiotemporal feature，将其认为是normal dynamics。再进一步，由real-time dynamics减去normal dynamics就得到了abnormal dynamics；
3）异常评分模块：使用LOF方法，为每一个时空段分配一个异常程度评分来检测异常。
这篇文章的主要创新之处：
1. 特征提取模块中，提出一种geo-embedding方法提取spatial feature。相较于单纯地使用one-hot vector来表示的spatial feature，该改进的方法保留了区域间相似关系，一个region的知识可以迁移到相似的region，在评估normal dynamics时能提高性能，且也降低了spatial feature的维度，降低了后续计算的复杂度；
2. 正常动态估测模块中，提出了一个合适的neural network training mechanism。 该模型F(·)满足如下两个约束：1）F(·)输出的normal dynamics与real-time dynamics是接近的（这一约束基于异常事件应是稀疏的这一直觉），2）如对输入的spaiotemporal feature改变很小时，F(·)输出的改变也应很小（这一约束基于连续时段或相似区域的normal dynamics不应剧烈变化这一直觉）；
最后我们贴一下实验结果，可以看到不管在人造数据集还是真实数据集上，效果都远优于基线方法。
附上源码的网址，需者自取：
正文结束
相关文章推荐
[1] Zhang M, Li T, Shi H, et al. A Decomposition Approach for Urban Anomaly Detection Across Spatiotemporal Data[C]. international joint conference on artificial intelligence, 2019: 6043-6049.
点击蓝字标题，即可阅读
其他
欢迎关注公众号『科研时代』！
作者：Luc
责编：皇德华叫兽
是否原创：是
通动态用于交通异常检测