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要和基本的问题。然而,现有的大多数研究1)不能处理复杂多变的轨迹数据2)不能支持高效的在线异常检测。为此,我们提出了一个新的模型,即高斯混合变分序列自动编码器(GM-VSAE),以应对这些挑战。我们的GM-VSAE模型能够(1)捕获轨迹中包含的复杂序列信息,(2)从轨迹中发现不同类型的正常路径,并将其表示在一个连续的潜在空间中,(3)支持通过轨迹生成实现高效的在线检测。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
本文提出了一种基于深度生成模型的轨迹异常在线检测方法,即高斯混合变分序列自动编码器(GM-VSAE)。GM-VSAE由路由推理网络和路由引导生成网络组成,分别用于处理上述两种挑战
为了解决发现正常路径的挑战,我们提出了一种推理网络,该网络使用循环神经网络(RNN)对轨迹下的复杂顺序信息进行编码,并将每个轨迹的路径表示为一个连续潜在空间中的向量。同时,联合学习一种高斯混合模型来模拟潜在空间中所表示的路径概率分布。这个分布描述了所有轨迹的正态分布的概率。我们还揭示了不同的高斯分量可以被解释为不同类型的路线,例如市中心的街道和连接遥远地点的高速公路。因此,在潜在空间中,接近高斯分量中心的路径更有可能是正常路径,因为它们有更高的被移动的概率。
为了解决高效在线检测的挑战,我们利用生成网络设计了一种新的通过生成检测方案。直觉是,异常轨迹不遵循正常路线,因此不能从正常路线使用生成网络良好生成。因此,我们通过计算由正常路线生成的可能性来检测轨迹,这种可能性可以在线计算并在O(1)时间内更新。然而,使用GM-VSAE进行轨迹生成的时间成本将增加一倍于高斯混合分布的分量数量。为此,我们进一步提出了一种近似后验推理方法,该方法仅从混合分布中选择一个分量来生成和检测轨迹,显著降低了GM-VSAE的时间成本。通过这样做,提出的检测航次生成方案能够实现高效的在线异常检测。
总体而言,我们的贡献可以总结如下:
1我们开发了一个深度生成模型GM-VSAE,该模型在捕获轨迹序列信息和表示轨迹在连续潜在空间中的路径方面非常强大。我们联合使用高斯混合分布来建模路径表示,这允许我们发现不同类型的正常路径,以支持有效的异常轨迹检测
2我们提出了一种利用GM-VSAE进行异常轨迹检测的新方法——通过检测生成。该算法可以在线计算并在O(1)时间内更新。此外,我们提出了一种近似后验推理方法,该方法大大降低了GM-VSAE的时间成本,并能够实现更高效的在线检测。
3我们设计了一个基于两个大型真实轨迹数据集的全面评估程序。我们对轨迹的部分和完整观测进行了广泛的实验,以检测异常轨迹。结果表明,本文提出的GM-VSAE模型比现有的基线模型更有效,能够有效地进行在线检测。
1. 问题定义
(Online Anomalous Trajectory Detection) 给定正在生成的轨迹T,其源轨迹ST和目标轨迹DT,在线异常轨迹检测问题的目的是1)发现ST和DT之间的正常路径,2)计算并更新T沿着正常路径的概率,即p(T|r∗),而T是按顺序生成的。
2. Overview of Our Solution
在此基础上,提出了一种异常轨迹检测方法:discovering normal routes by modeling p(r), and detecting anomalous trajectories by modeling p(T|r∗).
为了实现上述目标,我们在前人研究的基础上,提出了一种基于深度生成模型的在线异常轨迹检测方法,即高斯混合变分序列自动编码器(GM-VSAE)。我们首先学习了GM-VSAE模型,该模型可以1)推断和表示潜在嵌入空间中的轨迹路径,2)建模路径的概率分布(即建模p(r)), 3)生成给定路径的轨迹(即建模p(T|r))
基于学习后的GM-VSAE模型,提出了一种高效的异常轨迹检测框架。该框架可以1)利用学习到的路由概率分布发现正常路由,2)通过计算正常路由生成的概率来检测轨迹。此外,我们提出了一个近似模块,即SD-network (SDN),以进一步提高检测效率。
Inference network
Probability distribution of routes
Generative network
Online Anomalous Trajectory Detection with Deep Generative Sequence Modeling相关推荐
- 【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 Variation ...
- 【论文解析】Deep Generative Models on 3D Representations: A Survey
原文连接:https://mp.weixin.qq.com/s/vpAhZg8FEZJde4FreX-I_A 可通过原文获取论文电子资源. 文章目录 内容组织结构 3 FUNDAMENTALS 3.1 ...
- 《A Deep Generative Framework for Paraphrase Generation》论文笔记--摘要、引言
论文翻译及其他相关内容:https://ldzhangyx.github.io/2018/09/26/deep-para-generation/ (下述英文是原文内容,中文是给出的翻译) 标题: Pa ...
- 论文翻译 - 深度学习社区发现综述 A Comprehensive Survey on Community Detection with Deep Learning
为大家介绍一篇「深度学习」在社区发现(图聚类/图划分)方面应用的最新综述论文. 作者:Xing Su 原文链接:https://arxiv.org/abs/2105.12584 Github链接:ht ...
- Graph Anomaly Detection with Deep Learning——节点检测
节点检测算法分类 ANOS ND on Plain Graphs 平面图上的节点异常检测 传统的异常检测方法 基于网络表示的异常检测方法 ANOS ND on Attributed Graphs 属性 ...
- Graph Anomaly Detection with Deep Learning——边检测
边异常检测 基于静态图的边属性异常检测 基于深度神经网络的异常检测 基于 GCN 的异常检测 基于网络表示的异常检测 基于动态图的异常边检测算法 传统的非深度异常检测 基于网络表示的异常检测 基于 G ...
- Graph Anomaly Detection with Deep Learning——子图检测
子图检测 采用传统非深度学习的异常子图检测 基于静态图的异常子图检测 基于动态图的异常子图检测 采用深度学习的异常子图检测 参考文献 论文:A Comprehensive Survey on Grap ...
- 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 ...
- 人脸关键点:TCDCN-Facial Landmark Detection by Deep Multi-task Learning
<Facial Landmark Detection by Deep Multi-task Learning>发表于ECCV-2014,作者来自香港中文大学汤晓鸥团队的Zhanpeng Z ...
最新文章
- Datawhale组队学习周报(第013周)
- linux内存之buff/cache
- 高精度乘以低精度板子
- ElasticSearch入门系列(三)文档,索引,搜索和聚合
- Minio 小技巧 | 通过编码设置桶策略,实现永久访问和下载
- (13)Python文件操作
- Java创建对象的方式——反序列化创建对象
- 基于JAVA+SpringBoot+Mybatis+MYSQL的旅游网站系统
- html 列表点,HTML + CSS:不带句点的有序列表?
- SQL Server性能调优:资源管理之内存管理篇(上)
- 一、Java语言基础(5)_数组高级——方法参数的值传递机制
- 数据结构基本操作_【算法与数据结构 03】数据处理的基本操作——增删查
- 常用的几款抓包工具_ 常见的4种抓包工具比较
- 5款工具帮你一键快速图片去水印(附送复杂水印去除教程)
- 关于 Uncaught ReferenceError: mOxie is not defined情况下的问题
- python制作gif动图_PIL生成透明GIF动图
- 2022身份识别技术大会 | 安全证件 | 可信身份认证 | 生物识别 | 公共安全安防身份技术展览会
- linux查询过滤文件名后缀,在linux下搜索文件 文件名后缀
- matlab生成随机数,matlab随机数生成方法
- Ubuntu 16.04 LTS设置屏幕分辨率并永久保存所设置的分辨率
热门文章
- 实验十二:U型光电传感器实验
- HTML5 DOM元素类名相关操作API classList简介(转载自张鑫旭大神)
- 百度编辑器Ueditor1.4.3的使用
- 【Image Matting】Semantic Human Matting
- 移动端物理像素和设备独立像素
- http://blog.csdn.net/jijiji000111/article/details/47971879
- javascript 模板系统 ejs v2
- java存储单位换算
- SpringBoot项目配置disconf
- 基于python的音乐数据分析可视化