Anomaly detection in people flow through maps of dynamics

Abstract

Pedestrian flow in public environments typically form structured and recurring motion patterns that reflect the spatial layout and social movement norms, as well as temporal rhythms determined by routine or other external rules. Recently, several researchers have modelled these patterns using Maps of Dynamics (MoDs), with the intention of utilizing the learned dynamics for anticipating the future states of the system in, for example, human motion prediction and mobile robot navigation. However, as the concept of MoDs is relatively recent, their application and potential in broader range of domains have not yet been as extensively explored. One such field is anomaly detection, where deviations from expected system dynamics are of central interest. Motivated by this gap, this thesis investigates the application of MoDs to anomaly detection in people flow. The study is conducted using pedestrian movement data collected from a metro station, consisting of time-stamped spatial observations, which are aggregated to represent collective flow dynamics. The environment is modelled using a temporalarea-based MoD, in which pedestrian movement is represented on a grid map and the learned dynamics are described through time-dependent distributions of direction and velocity. Anomalies are identified by measuring distributional deviations between observed and expected dynamics using the Kullback-Leibler divergence. The results show that the proposed approach is able to capture regular spatio-temporal patterns in pedestrian flow and to identify deviations from these patterns as anomalies. The method manages to highlight spatial regions and time periods affected by abnormal flow, including distinguishing anomalies based on direction and velocity separately. The introduced density-based and neighbourhood-based confidence weightings improve the reliability of the anomaly detection by taking sample sizes and spatial relations of grid cells into account. At the same time, the performance of the method is negatively affected by very short-lived or highly lo-calized anomalies. These factors suggest that further research is needed to improve sensitivity to subtle or transient anomaly events in area-based detection methods.

Jalankulkijoiden virtaus julkisissa ympäristöissä muodostaa tyypillisesti strukturoituja ja toistuvia liikemalleja, jotka heijastavat tilallista asettelua ja sosiaalisen liikkumisen normeja sekä rutiinien tai muiden ulkoisten sääntöjen määräämiä ajallisia rytmejä. Viime aikoina useat tutkijat ovat mallintaneet näitä malleja käyttämällä dynamiikkakarttoja (MoD) tarkoituksenaan hyödyntää opittua dynamiikkaa järjestelmän tulevien tilojen ennakointiin esimerkiksi ihmisen liikkeen ennustamisessa ja liikkuvien robottien navigoinnissa. Koska MoD-käsite on kuitenkin suhteellisen uusi, niiden soveltamista ja potentiaalia laajemmalla alueella ei ole vielä tutkittu yhtä laajasti. Yksi tällainen ala on poikkeamien havaitseminen, jossa poikkeamat odotetusta järjestelmädynamiikasta ovat keskeisen kiinnostuksen kohteena. Tämän aukon motivoimana tämä opinnäytetyö tutkii MoD-karttojen soveltamista poikkeamien havaitsemiseen ihmisvirroissa. Tutkimus suoritetaan käyttämällä metroasemalta kerättyä jalankulkijoiden liikedataa, joka koostuu aikaleimatuista spatiaalisista havainnoista, jotka ovat yhdistetty edustamaan kollektiivista virtausdynamiikkaa. Ympäristöä mallinnetaan käyttämällä aikariippuvaan tilakeskeisyyteen perustuvaa MoD-karttaa, jossa jalankulkijoiden liike esitetään ruudukkokartalla ja opittua dynamiikkaa kuvataan ajasta riippuvien suunnan ja nopeuden jakaumien avulla. Poikkeamat tunnistetaan mittaamalla havaitun ja oletetun dynamiikan välisiä jakaumapoikkeamia Kullback-Leibler-divergenssin avulla. Tulokset osoittavat, että ehdotettu lähestymistapa pystyy havaitsemaan säännöllisiä spatiaali-ajallisia kuvioita jalankulkijoiden virrassa ja tunnistamaan poikkeamat näistä kuvioista. Menetelmä pystyy korostamaan poikkeavan virtauksen vaikutuksen alaisia alueita ja ajanjaksoja, mukaan lukien poikkeamien erottaminen suunnan ja nopeuden perusteella erikseen. Käyttöön otetut tiheyspohjaiset ja naapurustoon perustuvat luotettavuuspainotukset parantavat poikkeamien havaitsemisen luotettavuutta ottamalla huomioon otoskoot ja ruudukon solujen spatiaaliset suhteet. Samalla menetelmän suorituskykyyn vaikuttavat negatiivisesti hyvin lyhytaikaiset tai erittäin paikalliset poikkeamat. Nämä tekijät viittaavat siihen, että tarvitaan lisätutkimusta herkkyyden parantamiseksi hienovaraisille tai ohimeneville poikkeamatapahtumille aluepohjaisissa havaitsemismenetelmissä.