本文介绍了一种将交通动态分解为正常和异常两部分的方法，通过异常部分进行异常检测，提高了检测效果。方法包括特征提取、正常动态估测和异常评分三个模块，利用神经网络和地理嵌入技术，并在实验中展现出优越性能。
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&#
最低0.47元/天 解锁文章
扫一扫
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
