Urban Anomalies

Urban Anomalies是一个模拟人类移动行为的数据集，由埃默里大学创建。该数据集包含1000个代理的模拟数据，涵盖了正常和异常行为阶段。数据集通过改变代理的行为逻辑，注入了四种异常行为类型：饥饿、工作、社交和兴趣异常。创建过程中采用了三种异常注入方法：集中式、传染病模型和基于位置的模型。数据集旨在解决基于位置的异常检测问题，适用于公共健康、安全、福利和城市规划等领域。

Urban Anomalies is a dataset for simulating human mobility behavior, developed by Emory University. It contains simulated data from 1000 agents, covering both normal and anomalous behavioral phases. Four types of anomalous behaviors—hunger, work, social, and interest anomalies—are injected by modifying the agents' underlying behavioral logic. Three anomaly injection approaches are employed during the dataset construction: centralized, epidemic model, and location-based model. This dataset targets location-based anomaly detection tasks, and finds applications in fields including public health, safety, social welfare, and urban planning.

搜集汇总

数据集介绍

构建方式

Urban Anomalies数据集通过现有的城市生活模拟模型，模拟了人类移动行为并注入了多种异常类型。具体构建过程中，研究者通过改变个体代理的行为逻辑来引入异常，包括改变代理的食欲、兴趣群体、社交场所选择和工作时间表。每种异常类型都设置了三个行为变化程度，以调整检测难度。此外，异常代理的选择采用了三种方法：随机选择、基于传染病模型的传播选择和基于特定地点的暴露选择。所有数据集分为正常和异常阶段，正常阶段用于训练正常行为模型，异常阶段用于测试异常检测算法，并包含每五分钟模拟步骤的异常标签。

使用方法

Urban Anomalies数据集适用于多种研究场景，特别是异常检测算法的开发和测试。研究人员可以使用正常阶段的数据训练正常行为模型，然后利用异常阶段的数据测试和验证异常检测算法。数据集的详细轨迹和停留点数据可以用于分析个体移动模式，而社交链接数据则有助于研究社交网络中的异常行为。此外，数据集的多样性和复杂性使其适用于多种机器学习和数据挖掘任务，如聚类分析、分类和预测模型。研究人员可以通过访问https://osf.io/dg6t3/获取数据集，并参考提供的文档和代码进行数据处理和分析。

背景与挑战

背景概述

Urban Anomalies数据集由Emory University的Hossein Amiri、Ruochen Kong和Andreas Züfle等人于2024年创建，旨在解决基于位置的人类移动异常检测问题。该数据集通过现有的城市生活模拟模型生成，注入了多种异常行为类型，包括饮食异常、社交异常、工作异常和兴趣异常。这些异常行为通过改变个体代理的逻辑来实现，具体包括改变代理的食欲、兴趣群体、社交场所选择和工作时间表。数据集的创建不仅填补了公开数据集中缺乏真实标签的空白，还为公共卫生、安全、福利和城市规划等领域提供了宝贵的研究资源。

当前挑战

Urban Anomalies数据集面临的挑战主要集中在两个方面。首先，构建过程中遇到的挑战包括如何在模拟环境中准确注入异常行为，并确保这些异常行为能够反映真实世界中的复杂性和多样性。其次，该数据集解决的领域问题——基于位置的异常检测——本身具有高度复杂性，需要开发能够有效识别和区分不同类型和强度异常的算法。此外，数据集的生成依赖于模拟模型，如何确保模拟结果与现实世界的移动模式高度一致，也是一个重要的研究课题。

常用场景

经典使用场景

Urban Anomalies数据集的经典应用场景主要集中在人类移动性异常检测领域。通过模拟人类在城市环境中的移动行为，并注入多种类型的异常行为，该数据集为研究人员提供了一个理想的环境，用于开发和测试基于位置的异常检测模型。这些模型可以应用于公共卫生、安全、福利和城市规划等多个领域，帮助识别和预测异常行为，从而提高城市管理的效率和响应能力。

解决学术问题

Urban Anomalies数据集解决了学术研究中一个关键问题，即公开可用数据集中缺乏真实异常行为的标签。通过提供包含多种异常类型和强度级别的模拟数据，该数据集使得研究人员能够在受控环境中验证和优化异常检测方法。这不仅有助于提高模型的准确性和鲁棒性，还为开发新的检测算法提供了丰富的实验材料，推动了异常检测技术的发展。

实际应用

在实际应用中，Urban Anomalies数据集可以用于多种场景，如公共卫生监测、犯罪预防和城市交通管理。例如，通过分析异常的移动模式，公共卫生部门可以及时发现和应对疫情爆发；城市安全机构可以识别潜在的犯罪热点；交通管理部门可以优化交通流量，减少拥堵。这些应用不仅提升了城市服务的质量，还增强了居民的生活安全感和满意度。

数据集最近研究

最新研究方向

在城市异常检测领域，最新的研究方向集中在利用合成数据集进行人类移动轨迹的异常检测。Urban Anomalies数据集通过模拟人类移动行为并注入多种异常类型，如饥饿、社交、工作和兴趣异常，为研究人员提供了一个全面的实验平台。该数据集不仅解决了真实世界数据集中缺乏地面真相的问题，还通过三种不同的异常注入机制（集中分配、传染病传播和基于位置的传播）增强了数据集的多样性和复杂性。这些研究不仅推动了异常检测算法的发展，还为城市规划、公共卫生和安全等领域的应用提供了新的视角和方法。

相关研究论文

• Urban Anomalies: A Simulated Human Mobility Dataset with Injected Anomalies

  埃默里大学 · 2024年