г. Санкт-Петербург и Ленинградская область, Россия
г. Санкт-Петербург и Ленинградская область, Россия
Для выявления дефектов и предупреждения аварий в транспортных системах используются датчики, применяющие модели на основе классических конструкций или пороговых правил, что чревато ложными тревогами или запаздыванием. Модели контрастивного самообучения позволяют снять указанные недостатки, но требуют доработки под прикладные задачи. Цель исследования: предложить и описать практический подход к использованию методов контрастивного самообучения для задач раннего обнаружения аномалий в системах мониторинга транспорта. Методы: применены методы контрастивного обучения с функцией потерь InfoNCE, легковесные сверточные энкодеры (1D-CNN/1D-ResNet), вариационные автокодировщики (VAE) для реконструкционного контроля, механизмы внимания для оценки вкладов сенсоров, адаптивная калибровка порогов на основе экспоненциального скользящего среднего (EMA), кластеризация представлений для множественных нормальных режимов и сценарии тестирования на полуреальных данных. Результаты: выявлены особенности мультисенсорных временных рядов, описаны ограничения полевых устройств и определены пути уменьшения ложных срабатываний при ограниченной разметке. Предложены алгоритмические блоки для практического внедрения: аугментации временных рядов, адаптивная калибровка порогов, attention-механизмы для объяснимости и валидация на полуреальных данных. Разработан гибридны критерий аномальности контрастивной и реконструкционной оценке аномальности. Практическая значимость: внедрение контрастивного блока с адаптивной калибровкой обеспечивает снижение времени обнаружения аномалий и сокращение частоты ложных срабатываний по сравнению с базовыми VAE и пороговыми системами. Обсуждение: рекомендуется интеграция контрастивных модулей и адаптивной калибровки в существующие системы мониторинга транспорта с использованием трехуровневой системы тревог и объяснений по каналам.
контрастивное самообучение, ранняя детекция, мультисенсорный мониторинг, мониторинг транспорта, адаптивная калибровка
1. Vehicle-as-a-Sensor Approach for Urban Track Anomaly Detection / V. Sruk [et al.] // Sensors. 2025. Vol. 25, iss. 21. Art. 6679. 24 p. DOI:https://doi.org/10.3390/s25216679
2. Thill M., Konen W., Bäck T. Online Anomaly Detection on the Webscope S5 Dataset: A Comparative Study // Proceedings of the 2017 IEEE Workshop on Evolving and Adaptive Intelligent Systems (EAIS 2017) (Ljubljana, Slovenia, 31 May — 2 June 2017). Institute of Electrical and Electronics Engineers, 2017. 8 p. DOI:https://doi.org/10.1109/EAIS.2017.7954844
3. Kingma D. P., Welling M. Auto-Encoding Variational Bayes // Proceedings of the Second International Conference on Learning Representations (ICLR 2014) (Banff, Canada, 14–16 April 2014). 14 p. DOI:https://doi.org/10.48550/arXiv.1312.6114
4. Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding / K. Hundman [et al.] // Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ‘18) (London, United Kingdom, 19–23 August 2018). New York: Association for Computing Machinery, 2018. Pp. 387–395. DOI:https://doi.org/10.1145/3219819.3219845
5. A Simple Framework for Contrastive Learning of Visual Representations / T. Chen [et al.] // Proceedings of the 37th International Conference on Machine Learning (ICML 2020) (Virtual Event, 13–18 July 2020). Proceedings of Machine Learning Research. 2020. Vol. 119. Pp. 1597–1607.
6. USAD: Unsupervised Anomaly Detection on Multivariate Time Series / J. Audibert [et al.] // Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD‘20), (Virtual Event, 6–10 July 2020). New York: Association for Computing Machinery, 2020. Pp. 3395–3404. DOI:https://doi.org/10.1145/3394486.3403392
7. Deep Autoencoding Gaussian Mixture Model for Unsupervised Anomaly Detection / B. Zong [et al.] // Proceedings of the Sixth International Conference on Learning Representations (ICLR 2018) (Vancouver, Canada, 30 April — 3 May 2018). 19 p. URL: http://openreview.net/forum?id=BJJLHbb0- (дата обращения: 09.05.2026).
8. Deng A., Hooi B. Graph Neural Network-Based Anomaly Detection in Multivariate Time Series // Proceedings of the 35th Conference on Artificial Intelligence (AAAI 2021) (Virtual Event, 2–9 February 2021). Proceedings of the AAAI Conference on Artificial Intelligence. 2021. Vol. 35, no. 5. Pp. 4027–4035. DOI:https://doi.org/10.1609/aaai.v35i5.16523
9. On the Evaluation of Unsupervised Outlier Detection: Measures, Datasets, and an Empirical Study / G. O. Campos [et al.] // Data Mining and Knowledge Discovery. 2016. Vol. 30, iss. 4. Pp. 891–927. DOI:https://doi.org/10.1007/s10618-015-0444-8
10. Federated Learning: Challenges, Methods, and Future Directions / T. Li [et al.] // IEEE Signal Processing Magazine. 2020. Vol. 37, no. 3. Pp. 50–60. DOI:https://doi.org/10.1109/MSP.2020.2975749
11. Schneider J. Wenig P., Papenbrock T. Distributed Detection of Sequential Anomalies in Univariate Time Series // The International Journal on Very Large Data Bases. 2021. Vol. 30, iss. 4. Pp. 579–602. DOI:https://doi.org/10.1007/s00778-021-00657-6
12. Long Short Term Memory Networks for Anomaly Detection in Time Series / P. Malhotra [et al.] // Proceedings of the 23rd European Symposium on Artificial Neural Networks, Computational Intelligence and Machine Learning (ESANN 2015) (Bruges, Belgium, 22–24 April 2015). i6doc.com Publishing, 2015. Pp. 89–94.
13. Robust Anomaly Detection for Multivariate Time Series Through Stochastic Recurrent Neural Network / Y. Su [et al.] // Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD ‘19) (Anchorage, AK, USA, 4–8 August 2019). New York: Association for Computing Machinery, 2019. Pp. 2828–2837. DOI:https://doi.org/10.1145/3292500.3330672
