Resumen: La detección tradicional de anomalías en la movilidad humana se ha centrado principalmente en el análisis a nivel de trayectoria, identificando valores atípicos estadísticos o inconsistencias espaciotemporales entre trazos de movimiento agregados. Sin embargo, la detección de anomalías a nivel individual, es decir, desviaciones inusuales en el comportamiento de movilidad de una persona en relación con sus propios patrones históricos, dentro de conjuntos de datos que abarcan grandes poblaciones, sigue siendo un desafío importante. En este artículo, presentamos BeSTAD (Detección de anomalías espacio-temporales conscientes del comportamiento para datos de movilidad humana), un marco no supervisado que captura firmas de comportamiento individualizadas en grandes poblaciones y descubre anomalías detalladas mediante el modelado conjunto del contexto espacial y la dinámica temporal. BeSTAD aprende representaciones de movilidad semánticamente enriquecidas que integran el significado de la ubicación y los patrones temporales, lo que permite la detección de desviaciones sutiles en el comportamiento de movimiento individual. BeSTAD emplea además un mecanismo de modelado consciente de grupos de comportamiento que crea perfiles de comportamiento personalizados a partir de la actividad normal e identifica anomalías a través de una comparación de comportamiento entre períodos con una alineación semántica consistente. Sobre la base de trabajos previos en agrupaciones de comportamientos de movilidad, este enfoque permite no solo la detección de cambios de comportamiento y desviaciones de las rutinas establecidas, sino también la identificación de individuos que exhiben dichos cambios dentro de conjuntos de datos de movilidad a gran escala. Al aprender comportamientos individuales directamente a partir de datos sin etiquetar, BeSTAD avanza en la detección de anomalías hacia un análisis de movilidad personalizado e interpretable.
Publicado originalmente en export.arxiv.org el 14 de octubre de 2025.
Ver fuente original
