物理引导的异常轨迹间隙检测
给定一个道路网络和一组轨迹数据，本文介绍了一种可以表示详细时空轨迹数据的边属性矩阵，并识别异常驾驶行为的方法。实验结果表明，该方法能够有效地识别异常驾驶行为。
Nov, 2023
通过降维和长短时记忆（LSTM）方法，该论文引入了 GAD（实时步态异常检测系统），用于在三维加速度计读数中检测个人的异常步态，并通过在线学习自适应于细微模式变化，实现了较高的检测准确率。
May, 2024
提出了一种基于图形化时间数据分析（GTDA）框架的异常检测方法，该方法包括 S2I、CRD 和 VBL 三个模块，通过对飞行数据集的实验验证，说明该方法可以有效提高精度和召回率。
May, 2023
该研究论文探讨了检测时间序列异常值的问题，重点关注具有重复行为的系统，例如在生产线上操作的工业机器人。通过使用特定于大型时间序列的基于 GPU 的质心算法，该论文提出了一种异常检测方法，该方法可以识别出重复周期并计算异常得分，以检测异常循环。实验证明，该方法能够处理大型信号，计算人类友好的原型，使用非常少的数据，并且优于一些通用的异常检测方法，如自编码器。
Apr, 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
本文提出了一种基于 Maximally Divergent Intervals 框架的算法，用于检测多元时空时间序列中的异常区域，该方法不仅仅可以用于识别孤立数据点的异常值，还可以发现由高 Kullback-Leibler 散度值特征的区域以及时间间隔，适用于各种各样的应用领域，如欺诈检测、气候分析、视频监控、文本法庭。
Apr, 2018
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
利用 Gramian 角度场对扩散轨迹进行编码并利用计算机视觉模型对其特征进行表征以推断异常扩散指数，从而在应用场景中提高对机器学习方法的可操作性。
Sep, 2023
本文提出了一种无监督方法来发现高度关节化对象（如野生老虎）的行为特征运动模式，从而实现行为视频的切分和聚类。通过分析大量顺序轨迹对的相对位移，本文发现了一种连续的运动模式，并使用运动轨迹对描述符进行聚类分析，表明该方法比现有的行为轨迹描述符表现更为优越，可将不受约束的动物视频分割成包含单个行为的时间段。
Nov, 2014