CoBAD revolutioniert die Erkennung kollektiver Mobilitätsanomalien

Die Überwachung von Bewegungen in Städten ist für Sicherheit und Stadtplanung entscheidend. Während klassische Methoden einzelne Personen beobachten, zielt die kollektive Anomalieerkennung darauf ab, abnormale Muster in der gemeinsamen Mobilität mehrerer Menschen aufzudecken – etwa wenn ein Kind zu Hause bleibt, während die Eltern unterwegs sind.

Diese Art von Anomalien ist besonders komplex, weil sie räumlich‑zeitliche Abhängigkeiten zwischen vielen Individuen erfordert. Um diese Herausforderung anzugehen, hat ein Forschungsteam das Modell CoBAD entwickelt, das kollektive Bewegungsverhalten explizit modelliert.

CoBAD formuliert das Problem als unüberwachtes Lernen über „Collective Event Sequences“ (CES). Dabei werden die Ereignisse mehrerer Personen in einem Ko‑Occurrence‑Graphen zusammengefasst. Das Modell nutzt anschließend eine zweistufige Attention‑Mechanik, um sowohl die individuellen Bewegungsprofile als auch die Interaktionen zwischen den Personen zu erfassen.

Durch ein vortrainiertes Verfahren, bei dem maskierte Ereignisse und Verknüpfungen rekonstruiert werden, lernt CoBAD die normalen Muster kollektiver Mobilität. Es kann dann zwei Arten von Anomalien erkennen: unerwartete Ko‑Occurrence‑Anomalien und Abwesenheitsanomalien – letztere wurden in früheren Arbeiten oft übersehen.

Umfangreiche Tests an großen Mobilitätsdatensätzen zeigen, dass CoBAD die bisherigen Baselines um bis zu 13 % übertrifft. Damit bietet es eine vielversprechende Lösung für die sichere und effiziente Analyse von Menschenbewegungen in urbanen Räumen.