基于多层次时空交互依赖的车辆轨迹异常检测

doi:10.11772/j.issn.1001-9081.2025020234

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (2): 604-612.DOI: 10.11772/j.issn.1001-9081.2025020234

• 多媒体计算与计算机仿真 • 上一篇

基于多层次时空交互依赖的车辆轨迹异常检测

韩锋¹, 卜永丰¹, 梁浩翔²(), 黄舒雯¹, 张朝阳¹(), 孙士杰³

^1.长安大学信息工程学院，西安 710064
^2.长安大学电子与控制工程学院，西安 710064
^3.长安大学数据科学与人工智能研究院，西安 710064

收稿日期:2025-03-10 修回日期:2025-05-26 接受日期:2025-05-28 发布日期:2025-06-10 出版日期:2026-02-10
通讯作者: 梁浩翔,张朝阳
作者简介:韩锋（2001—），男，山西吕梁人，硕士研究生，CCF会员，主要研究方向：计算机视觉、异常检测
卜永丰（1998—），男，山西运城人，博士研究生，CCF会员，主要研究方向：计算机视觉、智能交通
梁浩翔（1995—），男，陕西西安人，讲师，博士，主要研究方向：交通视频分析、异常轨迹建模 Email:lhx@chd.edu.cn
黄舒雯（2001—），女，广西桂平人，硕士研究生，CCF会员，主要研究方向：计算机视觉、三维视觉定位
张朝阳（1984—），男，陕西咸阳人，讲师，博士，主要研究方向：交通事件检测与分析、深度学习Email:zhaoyang_zh@chd.edu.cn
孙士杰（1989—），男，河南商丘人，副教授，博士，主要研究方向：计算机视觉、目标跟踪、位姿估计。
基金资助:
国家重点研发计划项目(2023YFB4301800);国家资助博士后研究人员计划项目(GZC20241447);中国高校产学研创新基金-新一代信息技术创新项目(2023 IT 079);长安大学中央高校基本科研业务费资助项目(300102244202)

Vehicle trajectory anomaly detection based on multi-level spatio-temporal interaction dependency

Feng HAN¹, Yongfeng BU¹, Haoxiang LIANG²(), Shuwen HUANG¹, Zhaoyang ZHANG¹(), Shijie SUN³

^1.School of Information Engineering，Chang’an University，Xi’an Shaanxi 710064，China
^2.School of Electronics and Control Engineering，Chang’an University，Xi’an Shaanxi 710064，China
^3.Institute of Data Science and Artificial Intelligence，Chang’an University，Xi’an Shaanxi 710064，China

Received:2025-03-10 Revised:2025-05-26 Accepted:2025-05-28 Online:2025-06-10 Published:2026-02-10
Contact: Haoxiang LIANG, Zhaoyang ZHANG
About author:HAN Feng， born in 2001， M. S. candidate. His research interests include computer vision， anomaly detection.
BU Yongfeng， born in 1998， Ph. D. candidate. His research interests include computer vision， intelligent transportation.
LIANG Haoxiang， born in 1995， Ph. D.， lecturer. His research interests include traffic video analysis， abnormal trajectory modeling. Email:lhx@chd.edu.cn
HUANG Shuwen， born in 2001， M. S. candidate. Her research interests include computer vision， 3D visual grounding.
ZHANG Zhaoyang， born in 1984， Ph. D.， lecturer. His research interests include traffic incident detection and analysis， deep learning. Email:zhaoyang_zh@chd.edu.cn
SUN Shijie， born in 1989， Ph. D.， associate professor. His research interests include computer vision， object tracking， pose estimation.
Supported by:
National Key Research and Development Program of China(2023YFB4301800);Postdoctoral Fellowship Program of CPSF(GZC20241447);China University Industry-Academia-Research Innovation Fund — New Generation Information Technology Innovation Project(2023 IT 079);Fundamental Research Funds for the Central Universities — Chang’an University(300102244202)

摘要/Abstract

摘要：

针对智能交通系统中车辆轨迹异常检测的复杂性和动态性，提出一种基于多层次时空交互依赖的动态图（MSTIDG）的车辆轨迹异常检测方法DSTGRU（Dynamic Spatio-Temporal Gated Recurrent Unit）。DSTGRU通过构建短期和长期时空交互依赖的动态图，有效地捕捉车辆间的复杂交互关系。在这个过程中，引入多层次时空交互特征融合（MSF-BiGRU）模块融合多层次时空特征，以在不同尺度上融合时空信息，从而缓解共享信息提取时的冲突并增强模型的鲁棒性，进而提升对异常轨迹的识别能力。实验结果表明，DSTGRU在TrackRisk和HighD数据集上的异常检测精度显著优于现有方法DiffTAD与ImDiffusion，Pre@100分别达到了0.90和0.89，AUROC分别达到了0.913和0.827。与现有方法对比，DSTGRU在多项评价指标上均排名第一。此外，DSTGRU在复杂场景中表现出较强鲁棒性，并能准确识别异常行为，为智能交通系统中的轨迹异常检测提供了解决方案。

关键词: 车辆轨迹异常检测, 多层次时空特征融合, 动态图模型, 深度学习, 智能交通系统

Abstract:

To address the complexity and dynamic nature of vehicle trajectory anomaly detection in intelligent transportation systems， a novel method named DSTGRU （Dynamic Spatio-Temporal Gated Recurrent Unit） was proposed on the basis of Multi-level Spatio-Temporal Interaction dependency Dynamic Graph （MSTIDG）. In DSTGRU， by constructing dynamic graphs for short-term and long-term spatio-temporal interaction dependencies， the complex interactions between vehicles were captured effectively. In this process， the Multi-level Spatio-temporal interaction feature Fusion Bidirectional Gate Recurrent Unit （MSF-BiGRU） module was introduced to fuse multi-level spatio-temporal features， so as to integrate spatio-temporal information at different scales， thereby alleviating conflicts in shared information extraction and enhancing the model’s robustness， which improved the ability to identify anomalous trajectories. Experimental results demonstrate that DSTGRU outperforms the existing methods significantly on the TrackRisk and HighD datasets， achieving Pre@100 of 0.90 and 0.89， respectively， and AUROC of 0.913 and 0.827， respectively. Compared to existing advanced methods， DiffTAD and ImDiffusion， DSTGRU ranks first in multiple evaluation metrics. Additionally， DSTGRU exhibits strong robustness in complex scenarios， and identifies anomalous behaviors accurately， providing a solution for trajectory anomaly detection in intelligent transportation systems.

Key words: vehicle trajectory anomaly detection, multi-level spatio-temporal feature fusion, dynamic graph model, deep learning, intelligent transportation system

中图分类号:

TP391.41

韩锋, 卜永丰, 梁浩翔, 黄舒雯, 张朝阳, 孙士杰. 基于多层次时空交互依赖的车辆轨迹异常检测[J]. 计算机应用, 2026, 46(2): 604-612.

Feng HAN, Yongfeng BU, Haoxiang LIANG, Shuwen HUANG, Zhaoyang ZHANG, Shijie SUN. Vehicle trajectory anomaly detection based on multi-level spatio-temporal interaction dependency[J]. Journal of Computer Applications, 2026, 46(2): 604-612.

图/表 14

参考文献 26

[1]	李超能，冯冠文，姚航，等. 轨迹异常检测研究综述［J］. 软件学报， 2024， 35（2）：927-974.
	LI C N， FENG G Q， YAO H， et al. Survey on trajectory anomaly detection［J］. Journal of Software， 2024， 35（2）： 927-974.
[2]	XIONG X， HE Y， GAO X， et al. A multi-level risk framework for driving safety assessment based on vehicle trajectory［J］. Promet-Traffic and Transportation， 2022， 34（6）： 959-973.
[3]	JIAO R， BAI J， LIU X， et al. Learning representation for anomaly detection of vehicle trajectories［C］// Proceedings of the 2023 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2023： 9699-9706.
[4]	LI X， YING X， CHUAH M C. GRIP++： enhanced graph-based interaction-aware trajectory prediction for autonomous driving［EB/OL］. ［2025-01-23］..
[5]	WIEDERER J， BOUAZIZI A， TROINA M， et al. Anomaly detection in multi-agent trajectories for automated driving［C］// Proceedings of the 5th Conference on Robot Learning. New York： JMLR.org， 2022： 1223-1233.
[6]	ZHOU D， HANG P， SUN J. Reasoning graph-based reinforcement learning to cooperate mixed connected and autonomous traffic at unsignalized intersections［J］. Transportation Research Part C： Emerging Technologies， 2024， 167： No.104807.
[7]	LEE N， CHOI W， VERNAZA P， et al. DESIRE： distant future prediction in dynamic scenes with interacting agents［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 2165-2174.
[8]	WANG X， MA Y， WANG Y， et al. Traffic flow prediction via spatial temporal graph neural network［C］// Proceedings of the Web Conference 2020. New York： ACM， 2020： 1082-1092.
[9]	ZHANG X， HUANG C， XU Y， et al. Traffic flow forecasting with spatial-temporal graph diffusion network［C］// Proceedings of the 35th AAAI Conference on Artificial Intelligence. Palo Alto： AAAI Press， 2021： 15008-15015.
[10]	ZENG X， JIANG Y， DING W， et al. A hierarchical spatio-temporal graph convolutional neural network for anomaly detection in videos［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2023， 33（1）： 200-212.
[11]	GERS F A， SCHMIDHUBER J， CUMMINS F. Learning to forget： continual prediction with LSTM［J］. Neural Computation， 2000， 12（10）： 2451-2471.
[12]	CHUNG J， GULCEHRE C， CHO K， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling［EB/OL］. ［2025-01-24］..
[13]	WANG Z， CHEN Z， NI J， et al. Multi-scale one-class recurrent neural networks for discrete event sequence anomaly detection［C］// Proceedings of the 27th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. New York： ACM， 2021： 3726-3734.
[14]	陈宁. 基于毫米波雷达点云的路口车辆轨迹跟踪与异常行为识别［D］. 广州：华南理工大学， 2023.
	CHEN N. Vehicle trajectory tracking and abnormal behavior recognition at intersections based on millimeter wave radar point cloud［D］. Guangzhou： South China University of Technology， 2023.
[15]	KUMARAN SANTHOSH K， DOGRA D P， ROY P P， et al. Vehicular trajectory classification and traffic anomaly detection in videos using a hybrid CNN-VAE architecture［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（8）： 11891-11902.
[16]	SMOLYAK D， GRAY K， BADIRLI S， et al. Coupled IGMM-GANs with applications to anomaly detection in human mobility data［J］. ACM Transactions on Spatial Algorithms and Systems， 2020， 6（4）： No.24.
[17]	SCARSELLI F， GORI M， TSOI A C， et al. The graph neural network model［J］. IEEE Transactions on Neural Networks， 2009， 20（1）： 61-80.
[18]	HU Y， ZHANG Y， WANG Y， et al. Detecting socially abnormal highway driving behaviors via recurrent graph attention networks［C］// Proceedings of the ACM Web Conference 2023. New York： ACM， 2023： 3086-3097.
[19]	KONG X， WANG J， HU Z， et al. Mobile trajectory anomaly detection： Taxonomy， methodology， challenges， and directions［J］. IEEE Internet of Things Journal， 2024， 11（11）： 19210-19231.
[20]	PEI Y， HUANG T， VAN IPENBURG W， et al. ResGCN： attention-based deep residual modeling for anomaly detection on attributed networks［J］. Machine Learning， 2022， 111（2）： 519-541.
[21]	夏英，张安洁. 融合时序和空间特征的车辆异常轨迹检测方法［J］. 重庆邮电大学学报（自然科学版）， 2023， 35（2）： 202-209.
	XIA Y， ZHANG A J. Vehicle abnormal trajectory detection method based on fusing temporal and spatial features［J］. Journal of Chongqing University of Posts and Telecommunications （Natural Science Edition）， 2023， 35（2）： 202-209.
[22]	SCHÖLLER C， ARAVANTINOS V， LAY F， et al. What the constant velocity model can teach us about pedestrian motion prediction［J］. IEEE Robotics and Automation Letters， 2020， 5（2）： 1696-1703.
[23]	GE Y， XIONG H， ZHOU Z H， et al. TOP-EYE： top-k evolving trajectory outlier detection［C］// Proceedings of the 19th ACM International Conference on Information and Knowledge Management. New York： ACM， 2010： 1733-1736.
[24]	SUTSKEVER I， VINYALS O， LE Q V. Sequence to sequence learning with neural networks［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems — Volume 2. Cambridge： MIT Press， 2014： 3104-3112.
[25]	CHEN Y， ZHANG C， MA M， et al. ImDiffusion： imputed diffusion models for multivariate time series anomaly detection［J］. Proceedings of the VLDB Endowment， 2022， 17（3）： 359-372.
[26]	LI C， FENG G， LI Y， et al. DiffTAD： denoising diffusion probabilistic models for vehicle trajectory anomaly detection［J］. Knowledge-Based Systems， 2024， 286： No.111387.

属性	值
数据记录总时长/h	12
车辆行驶记录距离/m	525~700
车道数量	2~4
车辆总数	76 194
乘用车数量	58 656
商用车数量	17 538
车辆记录总行驶时间/h	328
车辆总行驶距离/km	33 439
隧道内平均车速分布/（km·h ^-¹）	70~80
高速公路平均车速分布/（km·h ^-¹）	90~120
轨迹点数据采样频率/s	0.3
轨迹数量	684 630

属性	值
数据记录总时长/h	12
车辆行驶记录距离/m	525~700
车道数量	2~4
车辆总数	76 194
乘用车数量	58 656
商用车数量	17 538
车辆记录总行驶时间/h	328
车辆总行驶距离/km	33 439
隧道内平均车速分布/（km·h ^-¹）	70~80
高速公路平均车速分布/（km·h ^-¹）	90~120
轨迹点数据采样频率/s	0.3
轨迹数量	684 630

模型	TrackRisk				HighD
模型	Pre@100（↑）	Pre@300（↑）	Avg Pre（↑）	AUROC（↑）	Pre@100（↑）	Pre@300（↑）	Avg Pre（↑）	AUROC（↑）
CVM	0.18	0.143	0.095	0.607	0.12	0.078	0.081	0.533
LTI	0.24	0.208	0.099	0.631	0.20	0.182	0.092	0.542
TOP-EYE	0.32	0.308	0.211	0.742	0.22	0.190	0.156	0.602
Seq2Seq	0.61	0.448	0.142	0.765	0.50	0.418	0.127	0.627
STGAE	0.21	0.192	0.097	0.648	0.46	0.443	0.180	0.675
ImDiffusion	0.78	0.641	0.293	0.812	0.67	0.568	0.252	0.788
DiffTAD	0.88	0.681	0.298	0.902	0.82	0.736	0.263	0.803
DSTGRU	0.90	0.723	0.348	0.913	0.89	0.848	0.299	0.827

模型	TrackRisk				HighD
模型	Pre@100（↑）	Pre@300（↑）	Avg Pre（↑）	AUROC（↑）	Pre@100（↑）	Pre@300（↑）	Avg Pre（↑）	AUROC（↑）
CVM	0.18	0.143	0.095	0.607	0.12	0.078	0.081	0.533
LTI	0.24	0.208	0.099	0.631	0.20	0.182	0.092	0.542
TOP-EYE	0.32	0.308	0.211	0.742	0.22	0.190	0.156	0.602
Seq2Seq	0.61	0.448	0.142	0.765	0.50	0.418	0.127	0.627
STGAE	0.21	0.192	0.097	0.648	0.46	0.443	0.180	0.675
ImDiffusion	0.78	0.641	0.293	0.812	0.67	0.568	0.252	0.788
DiffTAD	0.88	0.681	0.298	0.902	0.82	0.736	0.263	0.803
DSTGRU	0.90	0.723	0.348	0.913	0.89	0.848	0.299	0.827

模型	TrackRisk				HighD
模型	Pre@100（↑）	Pre@300（↑）	Avg Pre（↑）	AUROC（↑）	Pre@100（↑）	Pre@300（↑）	Pre@100（↑）	AUROC（↑）
CVM	0.70	0.625	0.668	0.708	0.61	0.612	0.648	0.695
LTI	0.85	0.837	0.695	0.722	0.75	0.695	0.628	0.677
TOP-EYE	0.87	0.797	0.721	0.735	0.76	0.781	0.659	0.688
Seq2Seq	0.86	0.868	0.738	0.741	0.77	0.815	0.688	0.719
STGAE	0.82	0.752	0.655	0.672	0.72	0.703	0.636	0.608
ImDiffusion	0.84	0.767	0.738	0.812	0.82	0.814	0.754	0.792
DiffTAD	0.94	0.925	0.849	0.898	0.84	0.862	0.773	0.844
DSTGRU	0.95	0.935	0.856	0.905	0.87	0.883	0.797	0.885

基于多层次时空交互依赖的车辆轨迹异常检测

Vehicle trajectory anomaly detection based on multi-level spatio-temporal interaction dependency

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 14

参考文献 26

相关文章 15

编辑推荐

Metrics

模型	Slow（慢速）			Stalled（停滞）			Tailgating（跟车）
模型	Pre@100	Avg Pre	AUROC	Pre@100	Avg Pre	AUROC	Pre@100	Avg Pre	AUROC
CVM	0.02	0.025	0.418	0.00	0.028	0.015	0.05	0.165	0.832
LTI	0.00	0.020	0.430	0.00	0.027	0.014	0.03	0.155	0.820
TOP-EYE	0.02	0.029	0.564	0.00	0.359	0.455	0.02	0.140	0.541
Seq2Seq	0.03	0.041	0.655	0.04	0.051	0.662	0.16	0.085	0.698
STGAE	0.00	0.045	0.560	0.00	0.022	0.440	0.02	0.050	0.480
ImDiffusion	0.19	0.116	0.812	0.08	0.178	0.622	0.32	0.225	0.763
DiffTAD	0.23	0.157	0.864	0.11	0.207	0.705	0.59	0.383	0.854
DSTGRU	0.20	0.185	0.902	0.09	0.249	0.831	0.65	0.393	0.861

GAT	MSTIDG	BiGRU	RES	Pre@100	Avg Pre	AUROC
√	—	—	—	0.55	0.185	0.760
√	√	—	—	0.68	0.240	0.783
√	√	√	—	0.75	0.275	0.870
√	√	√	√	0.90	0.348	0.913

[1]	陈晓雷, 郑芷薇, 黄雪, 曲振彬. 结合球面对齐与自适应几何校正的全景视频超分辨率网络[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 528-535.
[2]	林金娇, 张灿舜, 陈淑娅, 王天鑫, 连剑, 徐庸辉. 基于改进图注意力网络的车险欺诈检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 437-444.
[3]	姜皓骞, 张东, 李冠宇, 陈恒. 基于结构增强的层次化任务导向提示策略的对话推荐系统SetaCRS[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 368-377.
[4]	李名, 王孟齐, 张爱丽, 任花, 窦育强. 基于条件生成对抗网络和混合注意力机制的图像隐写方法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 475-484.
[5]	郭泽一, 李凤莲, 徐利春. 基于双重决策机制的深度符号回归算法[J]. 《计算机应用》唯一官方网站, 2026, 46(2): 406-415.
[6]	边小勇, 袁培洋, 胡其仁. 双编码空频混合的红外小目标检测方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 252-259.
[7]	昝志辉, 王雅静, 李珂, 杨智翔, 杨光宇. 基于SAA-CNN-BiLSTM网络的多特征融合语音情感识别方法[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 69-76.
[8]	樊娜, 罗闯, 张泽晖, 张梦瑶, 穆鼎. 基于改进生成对抗网络的车辆轨迹语义隐私保护机制[J]. 《计算机应用》唯一官方网站, 2026, 46(1): 169-180.
[9]	张宏俊, 潘高军, 叶昊, 陆玉彬, 缪宜恒. 结合深度学习和张量分解的多源异构数据分析方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2838-2847.
[10]	李进, 刘立群. 基于残差Swin Transformer的SAR与可见光图像融合[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2949-2956.
[11]	殷兵, 凌震华, 林垠, 奚昌凤, 刘颖. 兼容缺失模态推理的情感识别方法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2764-2772.
[12]	景攀峰, 梁宇栋, 李超伟, 郭俊茹, 郭晋育. 基于师生学习的半监督图像去雾算法[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 2975-2983.
[13]	李维刚, 邵佳乐, 田志强. 基于双注意力机制和多尺度融合的点云分类与分割网络[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3003-3010.
[14]	许志雄, 李波, 边小勇, 胡其仁. 对抗样本嵌入注意力U型网络的3D医学图像分割[J]. 《计算机应用》唯一官方网站, 2025, 45(9): 3011-3016.
[15]	廖炎华, 鄢元霞, 潘文林. 基于YOLOv9的交通路口图像的多目标检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(8): 2555-2565.