.png){kind=icon}
返回
Efficient Directed Hypergraph Network for Unsupervised Traffic Anomaly Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/MITS.2025.3645281.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
交通流量异常检测对于保障智能交通系统的安全与稳定性至关重要。然而，许多基于Transformer的深度学习模型存在极高的计算复杂度，导致其不适合在资源受限的终端设备上进行实时异常检测。因此，本文提出了一种高效且完全无监督的交通异常检测框架，即有向超图消息传递网络（DHMPN）。通过将有向超图基的消息传递模块与双向门控线性单元（Bi-GLUs）相结合，DHMPN能够有效捕捉复杂的时空依赖关系，同时保持低计算开销，从而满足实时异常检测的实际需求。为实現精确的异常识别，学习到的交通表征进一步采用条件归一化流进行建模，该技术有助于精确的密度估计和概率异常评分。在真实交通基准数据集上的广泛实验表明，DHMPN在异常检测任务中显著优于传统机器学习方法以及当前最先进的图基深度学习模型。此外，DHMPN在交通预测方面也取得了有竞争力的性能，进一步验证了所提出的时空编码架构的有效性。
Keyword:
Anomaly detection
Spatiotemporal phenomena
Adaptation models
Predictive models
Deep learning
Message passing
Graph convolutional networks
Correlation
Transportation
Unsupervised learning
Traffic control
期刊
IF:
5
论文数:
1.0K
被引数:
2.9K
机构
引用论文
.png){kind=icon}
分享收藏
Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting时空图卷积网络: 用于交通预测的深度学习框架
OAAI
OAAI分享收藏分享收藏Large-Scale Traffic Prediction With Hierarchical Hypergraph Message Passing Networks基于分层超图消息传递网络的大规模交通预测
PREAI
分享收藏
查看更多内容