[论文解读] Urban Anomaly Analytics: Description, Detection, and Prediction

Mingyang Zhang, Tong Li+4 more|arXiv (Cornell University)|Apr 25, 2020

Anomaly Detection Techniques and Applications参考文献 157被引用 11

一句话总结

本综述通过整合多源城市大数据（如GPS轨迹、CDR、社交媒体和传感器数据）与机器学习技术，提出了一套全面的城市异常分析框架，用于检测和预测时空异常。它识别出在可靠性、精确预测和根本原因诊断方面的关键挑战，并为城市计算领域的未来研究提供了结构化的分类体系和研究议程。

ABSTRACT

Urban anomalies may result in loss of life or property if not handled properly. Automatically alerting anomalies in their early stage or even predicting anomalies before happening are of great value for populations. Recently, data-driven urban anomaly analysis frameworks have been forming, which utilize urban big data and machine learning algorithms to detect and predict urban anomalies automatically. In this survey, we make a comprehensive review of the state-of-the-art research on urban anomaly analytics. We first give an overview of four main types of urban anomalies, traffic anomaly, unexpected crowds, environment anomaly, and individual anomaly. Next, we summarize various types of urban datasets obtained from diverse devices, i.e., trajectory, trip records, CDRs, urban sensors, event records, environment data, social media and surveillance cameras. Subsequently, a comprehensive survey of issues on detecting and predicting techniques for urban anomalies is presented. Finally, research challenges and open problems as discussed.

研究动机与目标

• 提供基于数据驱动方法检测和预测城市异常的系统性综述。
• 识别并分类主要的城市异常类型：交通异常、突发人群异常、环境异常和个体异常。
• 分析包括GPS、CDR、社交媒体和传感器数据在内的多样化城市数据集的特性与表示方法。
• 审视异常检测与预测中的技术挑战，特别是可靠性、精确度和因果关系诊断问题。
• 突出智能城市应用中城市异常分析的开放性问题与未来研究方向。

提出的方法

• 将城市异常划分为四大主要类型：交通异常、突发人群异常、环境异常和个体异常。
• 根据模态和结构对城市数据源进行分类与综述，包括轨迹数据、行程记录、CDR、城市传感器、事件日志、环境传感器、社交媒体数据和监控数据。
• 提出一个概念框架，将城市数据、城市动态与城市事件相联系，以建模异常检测与预测。
• 强调多源数据融合，以提升检测可靠性，并减少单一数据源带来的误报与漏报。
• 识别关键技术挑战：城市数据中的噪声、时空错位，以及跨数据模态推断因果关系的困难。
• 指出现有方法在精确预测与根本原因诊断方面的系统性方法论缺口，呼吁采用先进的时空建模与因果推断技术。

实验结果

研究问题

• RQ1 使用城市大数据可检测或预测的主要城市异常类型有哪些？
• RQ2 来自不同来源（如GPS、社交媒体、传感器）的城市数据在异常分析中如何表示与整合？
• RQ3 在确保城市异常可靠检测与精确预测方面，主要技术挑战是什么？
• RQ4 当异常效应在多种数据模态和时间尺度上体现时，如何诊断其根本原因？
• RQ5 在智能城市应用中，城市异常分析的开放性问题与未来研究方向是什么？

主要发现

• 由于数据源异质性与噪声，城市异常检测系统在可靠性方面面临重大挑战，需依赖多源融合以减少漏报。
• 误报与漏报仍是关键问题，因为传感器故障和在线虚假信息可能模仿真实异常，因此需要稳健的异常值验证机制。
• 对个体异常事件（尤其是时间与位置）的精确预测仍属开放挑战，因早期信号常被噪声掩盖，并在不同数据源间分散。
• 由于不同数据模态间存在空间与时间错位，诊断异常的根本原因十分困难，需依赖多模态数据的先进因果推断。
• 当前方法多集中于检测或预测聚合型异常，但对个体事件层面的精确预测仍发展不足。
• 该综述识别出因果推断方面的关键研究空白，呼吁开发整合模型，以在城市数据领域间建立异常效应与其根本原因之间的关联。