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