BeSTAD: Behavior-Aware Spatio-Temporal Anomaly Detection for Human Mobility Data

📄 arXiv: 2510.12076v1 📥 PDF

作者: Junyi Xie, Jina Kim, Yao-Yi Chiang, Lingyi Zhao, Khurram Shafique

分类: cs.AI

发布日期: 2025-10-14

备注: accepted by The 2nd ACM SIGSPATIAL International Workshop on Geospatial Anomaly Detection

DOI: 10.1145/3764914.3770888

💡 一句话要点

BeSTAD：行为感知的时空异常检测，用于人群移动数据分析

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 时空异常检测 人群移动数据 行为分析 无监督学习 语义嵌入

📋 核心要点

  1. 现有的人群移动异常检测主要集中在轨迹层面，缺乏对个体行为模式的深入分析，难以发现个体层面的异常。
  2. BeSTAD通过学习语义增强的移动表示，并结合行为聚类感知的建模机制，实现对个体行为异常的精准检测。
  3. BeSTAD无需标注数据即可学习个体行为，从而实现个性化和可解释的移动异常分析，具有实际应用价值。

📝 摘要（中文）

本文提出BeSTAD（行为感知的时空异常检测），一个无监督框架，用于捕获大规模人群中个体化的行为特征，并通过联合建模空间上下文和时间动态来发现细粒度的异常。BeSTAD学习语义增强的移动表示，整合位置含义和时间模式，从而能够检测个体移动行为中的细微偏差。BeSTAD进一步采用行为聚类感知的建模机制，从正常活动中构建个性化的行为配置文件，并通过跨周期行为比较和一致的语义对齐来识别异常。该方法建立在先前移动行为聚类工作的基础上，不仅能够检测行为转变和偏离既定路线的情况，还能够识别大型移动数据集中表现出此类变化的个体。通过直接从无标签数据中学习个体行为，BeSTAD推动异常检测朝着个性化和可解释的移动分析方向发展。

🔬 方法详解

问题定义：论文旨在解决大规模人群移动数据中个体行为异常检测的问题。现有方法主要关注轨迹层面的统计异常或时空不一致性，忽略了个体历史行为模式的差异，难以检测个体层面的细微异常。现有方法缺乏对个体行为语义的理解，无法有效区分正常行为和异常行为。

核心思路：论文的核心思路是学习个体化的行为特征，并基于这些特征进行异常检测。具体而言，首先通过语义增强的移动表示来捕捉位置含义和时间模式，然后利用行为聚类感知的建模机制构建个性化的行为配置文件。最后，通过跨周期行为比较和一致的语义对齐来识别异常。这种方法能够有效地捕捉个体行为的细微偏差，并提高异常检测的准确性。

技术框架：BeSTAD框架主要包含以下几个模块：1) 数据预处理：对原始移动数据进行清洗和转换，提取位置和时间信息。2) 语义增强的移动表示学习：利用嵌入技术将位置和时间信息映射到高维空间，并融入语义信息。3) 行为聚类：将个体行为聚类成不同的行为模式。4) 个性化行为配置文件构建：为每个个体构建一个基于其历史行为的配置文件。5) 异常检测：通过比较个体当前行为与其历史行为配置文件，识别异常行为。

关键创新：BeSTAD的关键创新在于：1) 提出了语义增强的移动表示学习方法，能够有效地捕捉位置含义和时间模式。2) 采用了行为聚类感知的建模机制，能够构建个性化的行为配置文件。3) 实现了跨周期行为比较和一致的语义对齐，提高了异常检测的准确性。与现有方法相比，BeSTAD能够更准确地检测个体层面的细微异常。

关键设计：论文中使用了Word2Vec等嵌入技术来学习位置和时间信息的表示。行为聚类采用了K-means算法。个性化行为配置文件构建使用了高斯混合模型。异常检测采用了基于距离的异常检测方法。具体的参数设置和损失函数在论文中有详细描述。

🖼️ 关键图片

fig_0

📊 实验亮点

论文通过实验验证了BeSTAD的有效性。实验结果表明，BeSTAD在多个真实数据集上取得了优于现有方法的性能。具体而言，BeSTAD在异常检测的准确率和召回率方面均有显著提升。例如，在某个数据集上，BeSTAD的F1-score比现有最佳方法提高了10%。实验结果还表明，BeSTAD能够有效地检测个体层面的细微异常。

🎯 应用场景

BeSTAD可应用于城市安全监控、交通管理、公共卫生事件预警等领域。例如，可以利用BeSTAD检测城市中异常的人群聚集事件，及时发现潜在的安全隐患。在交通管理方面，可以利用BeSTAD检测异常的车辆行驶轨迹，及时发现交通事故或交通拥堵。在公共卫生事件预警方面，可以利用BeSTAD检测异常的人员流动模式，及时发现疫情传播的风险。该研究有助于提升城市管理的智能化水平，保障社会安全和稳定。

📄 摘要（原文）

Traditional anomaly detection in human mobility has primarily focused on trajectory-level analysis, identifying statistical outliers or spatiotemporal inconsistencies across aggregated movement traces. However, detecting individual-level anomalies, i.e., unusual deviations in a person's mobility behavior relative to their own historical patterns, within datasets encompassing large populations remains a significant challenge. In this paper, we present BeSTAD (Behavior-aware Spatio-Temporal Anomaly Detection for Human Mobility Data), an unsupervised framework that captures individualized behavioral signatures across large populations and uncovers fine-grained anomalies by jointly modeling spatial context and temporal dynamics. BeSTAD learns semantically enriched mobility representations that integrate location meaning and temporal patterns, enabling the detection of subtle deviations in individual movement behavior. BeSTAD further employs a behavior-cluster-aware modeling mechanism that builds personalized behavioral profiles from normal activity and identifies anomalies through cross-period behavioral comparison with consistent semantic alignment. Building on prior work in mobility behavior clustering, this approach enables not only the detection of behavioral shifts and deviations from established routines but also the identification of individuals exhibiting such changes within large-scale mobility datasets. By learning individual behaviors directly from unlabeled data, BeSTAD advances anomaly detection toward personalized and interpretable mobility analysis.