用于汽车卡车异常检测的无监督深度学习：综述

《ACM Computing Surveys》：Unsupervised Deep Learning for Anomaly Detection in Automotive Trucks: A Survey

智能车辆传感器数据异常检测的无监督方法研究。针对多工况、多设计变体导致的传统统计与专家分析失效问题，探索无监督深度学习在无标签数据下的应用潜力。分析聚类、单类分类等方法的优劣，揭示数据稀疏性、类不平衡性等挑战，提出融合时空特征的深度异常检测框架。

　　

摘要

随着智能车辆中过程数据的不断积累，将这些数据应用于数据驱动的预测模型将变得越来越重要。在传感器数据中检测异常情况对于确保车辆的安全性、可靠性、效率以及自动识别异常行为至关重要。由于卡车存在不同的工作状态和设计变体，使用统计方法或专家知识进行手动分析变得不可能。更困难的是，在大多数情况下，这些数据没有标签，只有带有零星错误案例的正常行为数据可供使用。聚类、无监督学习、单类分类和异常检测方法显得很有前景。本文探讨了在从卡车收集的传感器数据中应用无监督深度学习技术的方法。我们回顾并分析了各种方法，讨论了它们的优点和局限性，并指出了现有的研究挑战。