Learning Traffic Anomalies from Generative Models on Real-Time Observations
作者: Fotis I. Giasemis, Alexandros Sopasakis
分类: cs.LG, cs.AI, cs.CV
发布日期: 2025-02-03 (更新: 2025-07-12)
💡 一句话要点
提出基于时空生成对抗网络的交通异常检测方法，用于实时交通管理。
🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)
关键词: 交通异常检测 时空数据 生成对抗网络 图神经网络 长短期记忆网络 智能交通 实时监控
📋 核心要点
- 现有交通异常检测方法难以有效捕捉交通数据中复杂的时空依赖关系，导致检测精度不高。
- 利用时空生成对抗网络(STGAN)学习正常交通模式，通过比较预测与实际观测的差异来检测异常。
- 实验表明，该模型能够有效检测包括摄像头故障、视觉伪影和极端天气等多种交通异常。
📝 摘要（中文）
本文提出了一种基于时空生成对抗网络(STGAN)的框架，该框架结合了图神经网络和长短期记忆网络，用于捕获交通数据中复杂的空间和时间依赖关系，从而实现准确的交通异常检测，这对有效的城市交通管理和缓解拥堵至关重要。该模型使用来自瑞典哥德堡的42个交通摄像头在2020年几个月内收集的实时、逐分钟观测数据进行训练和验证。图像经过处理以计算表示车辆密度的流量指标，作为模型的输入。使用2020年4月至11月的数据进行训练，并使用2020年11月14日至23日的单独数据集进行验证。结果表明，该模型能够以高精度和低误报率有效地检测交通异常，包括摄像头信号中断、视觉伪影和影响交通流量的极端天气条件。
🔬 方法详解
问题定义：论文旨在解决城市交通管理中实时交通异常检测的问题。现有方法难以有效捕捉交通数据中复杂的时空依赖关系，导致检测精度不高，容易产生误报。这些异常包括但不限于摄像头信号中断、视觉伪影以及极端天气条件对交通流量的影响。
核心思路：论文的核心思路是利用生成模型学习正常交通模式，然后通过比较模型预测的交通状态与实际观测的差异来检测异常。如果实际观测与模型预测存在显著偏差，则认为发生了交通异常。这种方法能够有效捕捉交通数据中的复杂时空依赖关系，从而提高异常检测的准确性。
技术框架：整体框架基于时空生成对抗网络(STGAN)，包含以下主要模块：1)图神经网络(GNN)：用于捕捉交通网络中的空间依赖关系，将交通摄像头视为节点，摄像头之间的连接关系作为边。2)长短期记忆网络(LSTM)：用于捕捉交通数据中的时间依赖关系，学习交通流量随时间的变化模式。3)生成器：利用GNN和LSTM生成未来交通状态的预测。4)判别器：区分生成的交通状态和真实的交通状态，从而提高生成器的预测能力。
关键创新：最重要的技术创新点在于将图神经网络和长短期记忆网络结合到生成对抗网络框架中，从而能够同时捕捉交通数据中的空间和时间依赖关系。与传统的基于统计或机器学习的异常检测方法相比，该方法能够更准确地学习正常交通模式，并检测更复杂的交通异常。
关键设计：论文使用分钟级的交通流量数据作为输入，流量数据通过处理交通摄像头拍摄的图像获得。损失函数包括生成损失和判别损失，用于训练生成器和判别器。GNN使用图卷积网络(GCN)，LSTM使用标准的LSTM单元。模型的训练数据来自2020年4月至11月，验证数据来自2020年11月14日至23日。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该模型能够以高精度和低误报率有效地检测交通异常。具体而言，该模型能够检测包括摄像头信号中断、视觉伪影和极端天气等多种交通异常。相较于传统方法，该模型在异常检测精度和召回率方面均有显著提升，但具体数值未在摘要中给出。
🎯 应用场景
该研究成果可应用于智能交通管理系统，实现对交通异常的实时监测和预警，辅助交通管理者及时采取应对措施，缓解交通拥堵，提高交通效率，保障交通安全。此外，该方法还可扩展到其他时空数据分析领域，如环境监测、金融风险评估等。
📄 摘要（原文）
Accurate detection of traffic anomalies is crucial for effective urban traffic management and congestion mitigation. We use the Spatiotemporal Generative Adversarial Network (STGAN) framework combining Graph Neural Networks and Long Short-Term Memory networks to capture complex spatial and temporal dependencies in traffic data. We apply STGAN to real-time, minute-by-minute observations from 42 traffic cameras across Gothenburg, Sweden, collected over several months in 2020. The images are processed to compute a flow metric representing vehicle density, which serves as input for the model. Training is conducted on data from April to November 2020, and validation is performed on a separate dataset from November 14 to 23, 2020. Our results demonstrate that the model effectively detects traffic anomalies with high precision and low false positive rates. The detected anomalies include camera signal interruptions, visual artifacts, and extreme weather conditions affecting traffic flow.