交通异常检测器架构评估中数据划分、训练种子与重叠窗口依赖性的敏感性分析

《Sensors》：How Much Does Fusion Design Matter? Partition, Seed, and Cluster-Aware Evaluation of Hybrid LSTM–GAT Traffic Anomaly Detectors

　　对交通异常检测器的架构评估可能对数据划分方式、随机训练种子以及重叠窗口之间的依赖性较为敏感。我们使用基于OpenStreetMap道路网络生成的物理信息合成轨迹，评估了九种编码器配置、四种融合算子和两种图构建方法。每个折–种子阈值均在验证集上选取，并应用于其对应的测试集。行程级别的聚类Bootstrap和置换检验用于处理窗口间的依赖性，而校正后的重采样检验则用于近似重叠训练集所引入的依赖性。在固定划分的14条测试行程上，经Holm校正后，没有任何比较能够确立优越性。在包含五种子的五折交叉验证中，各融合算子的平均F1得分范围为0.8558至0.8839，其中门控机制和交叉注意力偶尔会产生退化运行。在涵盖重复分组划分和两种图构建方法的500次运行中，经校正后没有任何成对的架构比较仍具有显著性。采用逐次运行的特定阈值时，亚型分析不支持在合并阈值下所出现的异常停留改善。经典基线方法仍具有竞争力，但其在单种子合并测试中表观优势并未得到运行级别推断的证实。总体而言，结果表明架构结论对阈值选择、训练种子数量以及统计分析单元的选择较为敏感。