Erkennung von Trajektorienanomalien mittels Spektralclustering und RNN-basiertem Autokodierer

Die Erkennung von Anomalien ist wichtig, da anomales Verhalten auf kritische Ereignisse oder Objekte in verschiedenen Forschungsbereichen und Anwendungsgebieten hinweisen kann. Einer dieser Bereiche ist der Verkehr, insbesondere die integrierte städtische Mobilität. Trajektorien von sich bewegenden Objekten sind gute Darstellungen ihres Verhaltens in Überwachungsdaten und nützlich bei der Erkennung anomalen Verhaltens. Einerseits können Trajektorien im Vergleich zu einfachen physischen Merkmalen mehr agentenbasierte, langfristige Informationen liefern. Andererseits benötigen Trajektorie-Daten im Vergleich zu Video-Rohdaten, die gewöhnlich als eine Folge von Bildern dargestellt werden, weniger Speicherplatz und Rechenressourcen. Darüber hinaus verfügen sie über eine Vielzahl von Quellen, wie z.B. GPS-Instrumente und Laser-Scanner.

Intuitiv gesehen ist eine Anomalie etwas, das sich vom Mainstream unterscheidet. Aufgrund der Vielfalt und Komplexität der Geräteposition, der Abtastrate und der Straßenstruktur in realen Szenarien unterscheiden sich die extrahierten Trajektorien jedoch in der Regel in ihren räumlich-zeitlichen Eigenschaften. Daher ist die angemessene Definition und Analyse von Trajektorieneigenschaften und die Erkennung anomaler Muster eine anspruchsvolle Aufgabe.

In dieser Arbeit werden typische Beispiele von Verkehrsanomalien in zwei Kataloge unterteilt: Cluster-basierte und andere Anomalien. Erstere können durch Cluster-Algorithmen erkannt werden. Zum Beispiel U-Kurven und Fahren in die falsche Richtung. Bei den letzteren handelt es sich um alle Anomalien, die nicht zu den clusterbasierten Anomalien gehören, wie zum Beispiel Beinahe-Kollision, Übergeschwindigkeit, Rückwärtsfahrt und Notbremsung.

Mehrere Ansätze zur Erkennung von Anomalien, einschließlich beaufsichtigter und unbeaufsichtigter Methoden, werden auf drei Datensätze angewandt, verglichen und optimiert. Die Experimente zeigen, dass die spektrale Clusterung und Schwellenwertbildung auf der Grundlage des Autocodierer-Abstandes die genauesten Ergebnisse liefert.