Physics-Guided Abnormal Trajectory Gap Detection

本文研究了在轨迹中出现缺失数据时，识别异常间隔的算法。当特定移动物体没有报告其位置，但同一地理区域内的其他移动物体定期报告位置时，将会出现异常间隔。这个问题具有重要的社会应用，例如提高海上安全性以及针对全球安全问题（如非法捕鱼、非法石油转运和转运）的监管执法。这个问题具有挑战性，因为在轨迹间隙期间，移动物体可能出现的位置可能很难确定，而且在如此大量的位置数据中检测间隔的计算成本非常高。目前关于异常轨迹检测的文献假设间隙内有线性插值，这可能无法检测到异常间隙，因为在给定区域内的物体可能已经偏离了最短路径。在初步工作中，我们引入了一种异常间隙度量方法，使用经典的空间时间棱镜模型来限制物体在轨迹间隙期间的可能移动，并提供了一个可扩展的记忆化间隙检测算法（Memo-AGD）。在本文中，我们提出了一种空间时间感知间隙检测（STAGD）方法，以利用空间时间索引和轨迹间隙的合并。我们还结合了一种基于动态区域合并（DRM）的方法，以有效地计算间隙异常性得分。我们提供了两种算法的理论证明，证明它们是正确且完整的，并提供了渐近时间复杂度的分析。在合成和实际的海上轨迹数据上的实验结果表明，所提出的方法大大改善了基线技术的计算时间。

本文试图解决缺失数据的轨迹中异常空隙的识别问题，以提高海上安全和全球安全问题的监管执行能力。这是一个新问题。

本文提出了一种称为STAGD的方法，利用时空索引和轨迹间隙的合并来识别异常空隙，并结合DRM方法来高效计算间隙异常得分。

本文提出的STAGD方法在合成和真实海上轨迹数据上都表现出了较高的计算效率，并且比基线技术有了显著的改进。本文的亮点还包括使用了Memo-AGD和空间时间棱柱模型，并提供了理论证明和时间复杂度分析。

最近的相关研究包括基于线性插值的异常轨迹检测、基于聚类的异常检测和基于深度学习的轨迹异常检测等。