基于因果引导图Mamba的车辆轨迹社交异常检测研究

为解决车辆轨迹异常检测中动态交互建模不足和时空随机性挑战，研究人员提出DATMamba框架，通过因果引导动态图(CGDG)建模关键交互，结合STFMamba编解码器解析时空特征，构建TRAREAL基准数据集验证模型性能。实验表明该方法在HighD等数据集上显著提升检测精度，为智能交通管理提供新工具。

　　

随着自动驾驶和物联网(IoT)技术的快速发展，道路监控中的车辆轨迹异常检测成为智能交通管理的关键任务。然而，现有方法面临两大核心挑战：一是传统模型仅利用静态交互信息，难以捕捉刹车灯信号触发连锁减速等动态耦合效应；二是车辆行为的时空随机性（如突然变道）导致长序列建模困难。这些问题使得现有系统在复杂场景中误判率居高不下——例如将避让行为错误标记为异常，严重影响交通管理效率。

针对这些痛点，长安大学的研究团队在《Neurocomputing》发表论文，创新性地将Mamba架构引入交通领域，提出DATMamba检测框架。该研究通过因果引导动态图(CGDG)实现交互关系的自适应筛选，利用STFMamba编解码器处理长序列时空特征，并构建包含中国高速公路真实监控数据的TRAREAL基准数据集。实验证明，相比Transformer等模型，该方法在保持O(n)线性计算复杂度的同时，对持续加速导致碰撞风险等累积效应具有更优的捕捉能力。

关键技术方法包括：1) 基于状态空间模型(SSM)的Mamba架构处理长轨迹序列；2) 动态加权邻接矩阵建模时空演化；3) 从中国2024年5-8月高速公路监控视频构建TRAREAL数据集；4) 通过重构概率生成异常评分。

车辆轨迹建模
研究对比了视觉聚类与时空序列两类主流方法，指出前者依赖高质量视频数据且难以揭示因果关系，后者虽擅长单目标检测但忽略社会耦合效应。

问题陈述
定义时间窗口ζ内N辆车的轨迹参数u_tⁱ=[x_tⁱ,y_tⁱ,l_tⁱ,v_tⁱ,a_tⁱ,c_tⁱ]，强调纵向位置、加速度等动态特征的建模难点。

实验环境
在Ubuntu 20.04系统下采用T=15秒窗口设置，使用NVIDIA 3080ti GPU验证模型性能，确保对比实验条件一致。

结论
DATMamba通过CGDG机制消除70%冗余交互，在HighD数据集上F1-score提升12.3%。其创新性体现在：1) 首次将Mamba的线性复杂度优势应用于轨迹检测；2) 动态邻接矩阵解决交互时空错位问题；3) 开源TRAREAL填补真实场景数据空白。

该研究为千级车辆规模的监控系统提供可扩展方案，其因果推理框架对紧急救援路径规划等衍生应用具有启示意义。论文中披露的刹车灯信号传播模式等发现，为交通心理学研究提供了量化分析工具。