图形自编码器与镜像时间卷积网络用于交通异常检测

科学领域:

• 智能运输系统 智能运输系统
• 机器学习用于时空空间数据分析
• 网络异常检测检测网络异常检测

背景情况:

• 交通时间序列异常检测对于智能运输至关重要.
• 经典方法与动态网络关联,长期相关性和高周期性作斗争.
• 现有的模型往往无法捕捉复杂的时空特征和异常节点行为.

研究的目的:

• 提出一个新的镜像时间图自编码器 (MTGAE) 框架用于交通异常检测.
• 加强在道路网络中捕捉不断变化的动态关联和时空相关性.
• 识别异常,包括涉及未见节点和复杂的相互依赖的异常.

主要方法:

• 开发一个镜像时间卷积模块,用于增强特征提取和节点对节点关系分析.
• 引入使用高斯核函数用于异常识别的图形卷积门反复单元 (GCGRU) 单元.
• 将这些模块集成到MTGAE框架中,以处理复杂的交通网络数据.

主要成果:

• 与先进的深度学习模型相比,拟议的MTGAE框架在流量时间序列异常检测方面表现优越.
• 在纽约市数据集上的实验结果验证了该模型在捕获时空相关性和检测异常方面的有效性.
• 该模型成功地确定了交通网络中的异常节点行为和复杂的相互依赖关系.

结论:

• 通过有效地建模时空动态,MTGAE框架为交通异常检测提供了显著的进步.
• 新型模块增强了检测微妙异常和理解复杂网络相互依存的能力.
• 这种方法为面对动态和周期性交通数据挑战的智能交通系统提供了强大的解决方案.