[论文解读] Graph Convolutional Networks for traffic anomaly

Yue Hu, Ao Qu+1 more|arXiv (Cornell University)|Dec 25, 2020

Anomaly Detection Techniques and Applications参考文献 38被引用 10

一句话总结

该论文提出了一种上下文增强图自编码器（Con-GAE），一种半监督异常检测模型，通过结合图卷积网络与时间上下文嵌入，实现对源-目的地（OD）出行时间数据中大规模交通异常的检测。通过将城市交通建模为有向加权图，并采用分层图级重建方法，Con-GAE 在真实世界的OD数据集上相较最先进方法实现了0.1–0.4的AUC提升。

ABSTRACT

Event detection has been an important task in transportation, whose task is to detect points in time when large events disrupts a large portion of the urban traffic network. Travel information {Origin-Destination} (OD) matrix data by map service vendors has large potential to give us insights to discover historic patterns and distinguish anomalies. However, to fully capture the spatial and temporal traffic patterns remains a challenge, yet serves a crucial role for effective anomaly detection. Meanwhile, existing anomaly detection methods have not well-addressed the extreme data sparsity and high-dimension challenges, which are common in OD matrix datasets. To tackle these challenges, we formulate the problem in a novel way, as detecting anomalies in a set of directed weighted graphs representing the traffic conditions at each time interval. We further propose extit{Context augmented Graph Autoencoder} ( extbf{Con-GAE }), that leverages graph embedding and context embedding techniques to capture the spatial traffic network patterns while working around the data sparsity and high-dimensionality issue. Con-GAE adopts an autoencoder framework and detect anomalies via semi-supervised learning. Extensive experiments show that our method can achieve up can achieve a 0.1-0.4 improvements of the area under the curve (AUC) score over state-of-art anomaly detection baselines, when applied on several real-world large scale OD matrix datasets.

研究动机与目标

• 解决在高维、稀疏的源-目的地（OD）出行时间数据中检测大规模交通异常的挑战。
• 利用基于图的表示方法，对城市交通网络中的空间相关性与时间周期性（日周期/周周期）进行建模。
• 通过图嵌入与上下文感知自编码方法，克服OD矩阵中的数据稀疏性与高维性问题。
• 在图级进行异常检测——即代表整个网络状态的异常检测，而非针对单个节点或边。
• 通过引入图卷积网络与时间上下文信息，提升真实城市交通管理中的异常检测性能。

提出的方法

• 将每个时间间隔的交通状况建模为有向加权图，其中节点代表城市区域，边代表OD出行时间。
• 采用改进的图卷积网络（GCNs），同时结合节点特征（地理位置）与边权重（出行时间），以学习空间一致的节点嵌入。
• 集成时间上下文嵌入以编码日周期与周周期的周期性模式，增强模型区分正常与异常交通状态的能力。
• 采用分层自编码器结构，将节点级嵌入压缩为单一图级嵌入，实现图级异常检测。
• 在正常交通数据上以半监督方式训练模型，通过重构输入图并利用高重构误差识别异常。
• 应用重构损失函数以最小化原始与重构边权重之间的差异，异常实例被识别为高误差样本。

实验结果

研究问题

• RQ1 图卷积网络能否有效建模高维、稀疏OD矩阵中的空间交通模式？
• RQ2 整合时间上下文（日周期/周周期）如何提升交通网络中的异常检测性能？
• RQ3 图自编码器框架是否能比基于节点的异常检测方法更有效地检测大规模、全网范围的交通异常？
• RQ4 Con-GAE在真实世界OD数据集上的AUC指标上，相较于最先进异常检测基线方法，性能提升程度如何？
• RQ5 Con-GAE在城市出行数据中面对数据稀疏性与高维性问题时，其鲁棒性如何？

主要发现

• Con-GAE在多个真实世界大规模OD矩阵数据集上，相较最先进异常检测基线方法实现了0.1–0.4的AUC提升。
• 该模型成功检测到已知的大规模事件，如NFL比赛日与多日道路封闭，其重构误差与已记录的交通中断情况高度一致。
• 引入时间上下文嵌入显著提升了检测性能，尤其在识别如工作日交通模式等周期性异常方面表现突出。
• 图级重构方法能够检测全网异常，例如重大事件引发的城市级拥堵，而基于节点的方法可能遗漏此类异常。
• 消融实验表明，图卷积与上下文嵌入两个组件对实现最优性能均至关重要。
• 该模型在基于真实OD数据生成的合成测试集上表现出强大的泛化能力，验证了其鲁棒性与可扩展性。