时空数据异常检测时空论文.docxVIP

时空数据异常检测时空论文

一.摘要

在全球化与数字化深度融合的背景下，时空数据已成为城市规划、交通管理、环境监测等领域的核心资源。然而，海量时空数据中普遍存在的异常值问题，不仅影响数据分析的准确性，更可能隐藏着潜在的灾害预警、安全风险或系统故障。本研究以城市交通流时空数据为案例背景，针对传统异常检测方法在处理高维、动态时空数据时存在的局限性，提出了一种基于时空图卷积网络（STGCN）与注意力机制融合的异常检测模型。该模型通过构建动态图结构捕捉时空依赖关系，并利用注意力机制自适应地加权不同时间与空间特征的重要性，从而实现对异常事件的精准识别。研究采用真实城市交通流数据集进行实验验证，结果表明，相较于传统方法如孤立森林和基于LSTM的时序异常检测，所提模型在F1-score和ROC-AUC指标上分别提升了12.3%和18.7%，特别是在长时序异常检测任务中展现出显著优势。进一步分析发现，注意力机制能够有效聚焦于异常事件发生的关键时空区域，而动态图结构则显著提高了模型对数据稀疏性和噪声的鲁棒性。结论表明，时空图卷积网络与注意力机制的融合为高维动态时空数据的异常检测提供了新的技术路径，可为智能城市安全预警系统的构建提供理论依据与实践参考。

二.关键词

时空数据、异常检测、图卷积网络、注意力机制、城市交通流

三.引言

时空数据作为描述现实世界动态变化的核心载体，已在众多领域展现出不可替代的作