本篇论文通过计算机视觉建立车辆跟踪模型，用于检测高速公路上的交通异常，并提出了检测、跟踪和分析交通的步骤，具体包括从城市交通视频中检测车辆、使用双分图和凸包算法进行车辆跟踪，以及使用两种数据结构检测异常的起点和终点。实验结果显示该方法在 Track4 测试集上表现可接受，F1 分数为 85.7%，均方误差为 25.432。

Oct, 2023

本研究通过预处理、动态跟踪模块和后处理等环节，提出了一种简单而高效的交通异常检测方案，该方案使用视频稳定、背景建模和车辆检测等技术，能够快速精准地识别出交通异常点，在 NVIDIA AI CITY 2021 排行榜中名列第一。

May, 2021

本论文提出了一种完全有效的基于机器学习的方法，用于保护连接车辆免受网络攻击，并针对使用配置规则提取相关信息的不同车辆接口（网络、CAN 和操作系统）进行监测，通过训练出的生成模型检测异常，以探测并诊断出其他现有方法无法发现的异常情况。

Nov, 2017

本文提出了一种高效的边缘设备上运行的视频异常检测系统，包括变化检测、背景建模和目标检测模块以及回溯异常检测算法，同时还提出了一种顺序变化检测算法。实验结果表明，该方法在 2021 年 AI City Challenge 中取得了 0.9157 的 F1 分数并排名第四。

Apr, 2021

这篇系统综述主要研究与连接和自动驾驶车辆相关的异常检测。研究发现，神经网络（如 LSTM，CNN 和自编码器）以及单类支持向量机是最常用的人工智能算法。大多数异常检测模型使用真实世界的车辆数据进行训练，但常常人为地向数据集中注入攻击和故障等异常情况。这些模型主要通过召回率、准确率、精确率、F1 分数和误报率等五个主要评估指标进行评估。此外，文章提出了几项建议，包括综合使用多个评估指标、公开分享模型以促进研究社区的合作和验证，并需要建立具有预定义异常或网络攻击的基准数据集来测试和改进提出的基于异常的检测模型的有效性。此外，对使用不同于 CAN 协议（如以太网和 FlexRay）的入侵检测系统的研究还缺乏。

May, 2024

本研究提出了一种基于数据驱动生成方法的交通拥堵异常检测框架，通过对多变量时间序列的分布进行学习，结合空间 - 时间信息进行聚类和核密度估计，能够在无监督和稀疏的环境下实现交通异常的检测和分类，并在合成数据集上得到了显著的性能提升。

Jun, 2022

在车辆网络中，针对威胁到模型完整性的敌对或不可靠车辆的显著挑战，我们的研究引入了一种集成动态车辆选择和强健异常检测机制的新框架，旨在优化参与者选择并减轻恶意贡献相关风险。

May, 2024

本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。

Aug, 2021

本文采用双模态模块化方法来检测异常车辆，并提出了一种包括背景建模、车辆跟踪检测、掩模构建、ROI 回溯和双模态跟踪的集成异常检测框架，该框架在自动驾驶领域的相应测试集上获得了较高的成功率。

Jun, 2021

提出了一种针对车辆自组织网络中恶意行为的实时检测系统，通过集成统计学和机器学习技术，以简单高效的方式快速检测攻击并识别恶意车辆，同时运用联邦学习提高隐私性和恶意节点检测的效率，以降低误报率。

Jan, 2024