Prior Anchored Continuous-Time Trajectory Anomaly Detection
Authors
Skovrup, Peter Lidegaard ; Rumi, Adám
Term
4. semester
Education
Publication year
2026
Submitted on
2026-06-04
Pages
13
Abstract
Detecting unusual travel patterns in large road networks is difficult because data are often sparse and time is typically divided into fixed intervals. Many graph-based methods only scale to small urban areas and tend to ignore how conditions change over time, and there are few reliably labeled examples of true anomalies. We introduce PACT-TAD (Prior-Anchored Continuous-Time Trajectory Anomaly Detection) to address these challenges with three connected components. 1) A topology-aware Bayesian Graph Attention Network prior anchors travel-time estimates to free-flow travel times (conditions without congestion) and models temporal changes continuously using harmonic functions (smooth periodic patterns over time). This enables reliable estimates even on road segments with no observations. 2) A procedural anomaly generator produces physically plausible spatial, temporal, and combined spatio-temporal anomalies by pairing stochastic routing with autoregressive temporal processes. 3) A scalable dual-head sequence model based on a Bidirectional GRU (a recurrent neural network that reads sequences forward and backward) detects anomalies at the level of individual road segments and is regularized with supervised contrastive learning (training that pulls similar anomaly types together and pushes different types apart). In experiments on the Danish national road network (1.4 million segments), PACT-TAD outperforms state-of-the-art baselines in both spatial and temporal anomaly detection and scales where competing methods fail due to memory or computation limits. The framework performs strongly under sparse data and contributes a rigorous synthetic benchmark via its physically constrained anomaly generator.
At opdage afvigende rejsemønstre i store vejnet er svært, fordi data ofte er sparsomme, og tid typisk opdeles i faste intervaller. Mange graforienterede metoder skalerer kun til små byområder og overser tidslige forhold, og der findes få pålideligt mærkede eksempler på egentlige anomalier. Vi præsenterer PACT-TAD (Prior-Anchored Continuous-Time Trajectory Anomaly Detection), som adresserer disse udfordringer med tre sammenhængende dele. 1) En topologi-bevidst Bayesian Graph Attention Network-prior forankrer rejsetidsestimering i rejsetider ved fri strømning (uden trængsel) og beskriver tidsudvikling kontinuerligt med harmoniske funktioner (glatte periodiske mønstre over tid). Det muliggør robuste skøn på vejsegmenter uden målinger. 2) En procedure til at generere anomalier skaber fysisk plausible rumlige, tidslige og kombinerede rum-tidslige anomalier ved at kombinere stokastisk rutevalg med autoregressive tidsprocesser. 3) En skalerbar sekvensmodel med to hoveder baseret på en bidirektionel GRU (et rekurrent neuralt netværk, der læser sekvenser både frem og tilbage) finder anomalier på finmasket vejsegment-niveau og reguleres med superviseret kontrastiv læring (træning der trækker lignende anomalityper sammen og skubber forskellige typer fra hinanden). I forsøg på det danske nationale vejnet (1,4 millioner vejsegmenter) overgår PACT-TAD moderne alternativer i både rumlig og tidslig anomali-detektion og skalerer, hvor andre metoder går ned på hukommelse eller beregningskraft. Rammeværket klarer sig godt under datasparsomhed og leverer en rigorøs syntetisk benchmark via sin fysisk konsistente anomali-generator.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords