CroTad: Echtzeit-Erkennung von Trajektorienanomalien ohne Schwellenwert

In modernen intelligenten Verkehrssystemen ist die schnelle Erkennung von Anomalien in Fahrtrajektorien entscheidend, um gefährliche, ineffiziente oder ungewöhnliche Fahrverhalten sofort zu identifizieren.

Traditionelle Deep‑Learning‑Ansätze stoßen dabei an mehrere Grenzen: Sie erkennen meist nur ganze Trajektorien, setzen auf manuell eingestellte Schwellenwerte, die in der Praxis schwer anpassbar sind, und sind empfindlich gegenüber unregelmäßig erfassten Daten sowie Rauschen im Trainingsmaterial.

Das neue Framework CroTad löst diese Probleme mit einem kontrastiven Reinforcement‑Learning‑Ansatz. Es arbeitet ohne Schwellenwert, ist robust gegenüber verrauschten und unregelmäßig abgetasteten Daten und lernt, vielfältige normale Fahrmuster für unterschiedliche Routen zu extrahieren.

Durch die Kombination von kontrastivem Lernen und tiefem Reinforcement‑Learning kann CroTad Anomalien sowohl auf Sub‑Trajektorien‑Ebene als auch auf einzelnen Punkten in Echtzeit bewerten. Das Ergebnis ist eine präzise, zeitnahe Identifikation von abweichenden Segmenten, die sofortige Gegenmaßnahmen ermöglichen.

Umfangreiche Tests an zwei realen Datensätzen zeigen, dass CroTad die Leistung und Zuverlässigkeit von Trajektorienanomalie‑Erkennung in verschiedensten Szenarien deutlich verbessert.