🤖 machine learning

IBAD: Interpretable Behavioral Anomaly Detection on Human Mobility Data

Het artikel presenteert IBAD, een interpreteerbaar raamwerk dat gedragsafwijkingen in menselijke mobiliteit detecteert door dagelijkse activiteiten te deconstrueren naar overdraagbare globale sjablonen met behulp van Latent Dirichlet Allocation en een hiërarchisch zelfgesuperviseerd model, waarbij een robuuste prestatie over diverse geografische en demografische contexten wordt aangetoond.

Oorspronkelijke auteurs: Bita Azarijoo, John Krumm, Cyrus Shahabi

Gepubliceerd 2026-06-16

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Bita Azarijoo, John Krumm, Cyrus Shahabi

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je je dagelijks leven voor als een receptenboek. Hoewel je elke dag misschien andere maaltijden bereidt, komt het meeste van je kookwerk voort uit een kleine set vertrouwde recepten: "Maandagochtend Spits," "Weekendbrunch," "Nachtelijke Snack," of "Boodschappenronde." Je verzint niet elke keer een nieuw recept als je gaat eten; je mengt en combineert simpelweg deze standaardrecepten.

IBAD (Interpretable Behavioral Anomaly Detection) is een slim systeem dat probeert jouw persoonlijke "receptenboek" te ontdekken op basis van waar je naartoe gaat en wat je doet, en vervolgens de dagen opspoort waarop je plotseling begint met het bereiden van iets dat volkomen vreemd is en niet in je gebruikelijke menu past.

Hier is hoe het artikel het uitlegt, onderverdeeld in eenvoudige concepten:

1. Het Grote Idee: Het Gaat Om de "Vibe", Niet Alleen Om het Adres

De meeste systemen die menselijke bewegingen in de gaten houden, zoeken naar specifieke plaatsen. Ze denken: "Oh, je bent op een plek geweest waar je nog nooit eerder bent geweest! Dat is verdacht!"

IBAD denkt er anders over. Het zegt: "Het maakt niet uit of je naar een vertrouwde plek bent gegaan. Wat belangrijk is, is het patroon van je dag."

Normale Variatie: Je gaat meestal naar je werk, en dan naar huis. Soms ga je van je werk naar de sportschool, en dan naar huis. Dit is gewoon het mengen van je standaardrecepten.
Anomalie: Je bent een leraar die normaal gesproken naar school en naar huis gaat. Maar op een dag ga je naar een fabriek, dan naar een nachtclub, en dan naar een bouwplaats. Zelfs als je alleen maar plaatsen hebt bezocht die je kent, maakt de combinatie van plaatsen en de timing ervan geen zin voor jouw gebruikelijke "leraar-recept". Dat is een anomalie.

2. Stap Eén: Het Ontdekken van de "Archetypen" (Het Receptenboek)

Voordat het systeem een vreemde dag kan opsporen, moet het eerst leren wat "normaal" is voor iedereen. De onderzoekers gebruikten een methode genaamd LDA (Latent Dirichlet Allocation). Denk aan dit als een superintelligente bibliothecaris die miljo's dagelijkse schema's leest en ze in thema's groepeert.

Ze ontdekten dat mensenlevens van nature uiteenvallen in een paar grote "Gedragstemplates" (of Archetypen):

De Forens: Thuis → Werk → Thuis.
De Student: Thuis → School → Thuis.
De Nachtbraker: Thuis → Werk (laat) → Thuis.
De Weekendstrijder: Thuis → Park/Winkelen/Socializen.

Het systeem leert dat een specifieke dag meestal een "mix" is van deze types. Bijvoorbeeld: een dinsdag is bijvoorbeeld 80% "Forens" en 20% "Boodschappendoener".

3. Stap Twee: Jouw Persoonlijke "Menu" Leren

Zodra het systeem de bibliotheek met templates heeft, kijkt het specifiek naar jou. Het leert jouw persoonlijke "menu".

Misschien ben je meestal 90% "Forens" en 10% "Sportschool".
Misschien is je buurman 50% "Forens" en 50% "Ouder/Begeleider".

Het systeem gebruikt een hiërarchisch zelf-gesuperviseerd model (een chique manier om te zeggen: een computer die zichzelf onderwijst door naar jouw eerdere dagen te kijken) om te voorspellen hoe jouw menu er vandaag zou moeten uitzien op basis van jouw geschiedenis.

4. Stap Drie: Het Opsporen van het "Slechte Recept" (De Anomalie)

Hier gebeurt de magie. Het systeem neemt jouw werkelijke dag en vergelijkt deze met wat het voorspelde dat je zou doen.

De Score: Het berekent een "mismatch-score".
Het Resultaat: Als je normaal gesproken het "Forens"-recept volgt, maar je doet vandaag plotseling een "Nachtleven"-recept, dan markeert het systeem dit. Het maakt niet uit dat je niet naar een gevaarlijke plek bent gegaan; het gaat erom dat je gedragspatroon buiten je karakter valt.

5. Hoe Ze Het Hebben Getest (Het "Splicing"-spel)

Omdat het moeilijk is om echte voorbeelden te vinden van mensen die iets vreemds doen (omdat we onze eigen vreemde dagen meestal niet labelen), hebben de onderzoekers een spel bedacht genaamd Splicing.

Stel je voor dat je een video hebt van iemands week. Om het systeem te testen, namen ze één dag uit die week en vervingen ze die door een dag van een totaal ander persoon (of een andere dag van dezelfde persoon die totaal anders was).

De Test: Ze vroegen de computer: "Kun je zien dat deze dag niet thuishoort in de week van deze persoon?"
De Uitkomst: IBAD was erg goed in het opsporen van deze verwisselde dagen, zelfs wanneer de locaties bekend waren. Het bewees dat kijken naar het patroon beter is dan alleen kijken naar de plaatsen.

6. Waarom Dit Belangrijk Is (Volgens het Artikel)

Het artikel benadrukt dat deze aanpak nuttig is omdat:

Het Flexibel Is: Het werkt zelfs als je dezelfde vertrouwde plaatsen bezoekt, maar in een vreemde volgorde.
Het Universeel Is: De "recepten" (templates) die ze vonden in één dataset (zoals een reisenquête), werkten goed op een compleet andere dataset (zoals GPS-sporen uit Beijing). Dit betekent dat het systeem niet alleen één stad uit het hoofd leert; het leert hoe mensen over het algemeen bewegen.
Het Zichzelf Uitlegt: In tegen tegenstelling tot sommige "black box" AI, kan IBAD je vertellen waarom het een dag heeft gemarkeerd. Het kan zeggen: "Deze dag werd gemarkeerd omdat het leek op een 'Nachtleven'-template, terwijl jij meestal een 'Forens' bent."

Kortom: IBAD is als een zeer attente vriend die je routine zo goed kent, dat hij onmiddellijk merkt als je plotseling een dag lang als een totaal ander persoon begint te handelen—niet omdat je naar een nieuwe plek bent gegaan, maar omdat je hele dag "anders" voelde.

Technische Samenvatting: IBAD – Interpreteerbare Detectie van Gedragsafwijkingen op Menselijke Mobiliteitsgegevens

Probleemdefinitie

Menselijke mobiliteitsgegevens vertonen een hoge variabiliteit, maar een groot deel van de dagelijkse bewegingen van een individu volgt gestructureerde, terugkerende gedragspatronen (bijv. woon-werkverkeer, schoolroutines, boodjes doen). Traditionele methoden voor anomaliedetectie richten zich vaak op afwijkingen in specifieke locaties, tijdstippen of trajectvormen. Deze benaderingen kunnen echter falen bij het detecteren van "gedragsafwijkingen", waarbij een persoon vertrouwde plaatsen bezoekt, maar in een volgorde of combinatie die inconsistent is met hun historische repertoire (bijv. een forens die een laat nachtelijk patroon met meerdere stops vertoont).

Het artikel definieert het probleem van dagelijkse gedragsafwijking: het identificeren van dagen waarop het algemene activiteitspatroon van een individu niet plausibel verklaard kan worden door een mengeling van hun gevestigde historische gedragstemplates. Het doel is om natuurlijk variatie (het recombineren van vertrouwde templates) te onderscheiden van echte gedragsverschuivingen.

Methodologie: Het IBAD-framework

Het voorgestelde framework, IBAD (Interpretable Behavioral Anomaly Detection), werkt in twee primaire fasen: Gedragstemplate-ontdekking en Hiërarchische Zelf-gesuperviseerde Anomalie-scoring.

1. Gedragstemplate-ontdekking (Ongecontroleerd)

Voordat anomalieën worden gedetecteerd, leert het systeem een gedeelde vocabulaire van dagelijkse gedragsarchetypen.

Datarepresentatie: Ruwe mobiliteitsgegevens worden getransformeerd naar dagelijkse activiteitstijdlijnen met een vaste lengte, verdeeld in discrete tijdsintervallen. Elk interval wordt getokeniseerd als een tijdgestempelde activiteit (bijv. "08:00-Werk").
Topic Modeling: De auteurs gebruiken Latent Dirichlet Allocation (LDA) om dagelijkse activiteitstijdlijnen te behandelen als "documenten" en gedragstemplates als "latente onderwerpen".
- Templates ( $\mathcal{T}$ ): Een verzameling van $K$ prototypische dagelijkse patronen (bijv. een werkdag van 9 tot 5, een vrije dag in het weekend) die geleerd zijn uit het corpus.
- Mengsels ( $\theta$ ): Elke individuele dag wordt niet gerepresenteerd als een enkel template, maar als een zachte waarschijnlijkheidsverdeling (mengsel) over deze $K$ templates.
Resultaat: Dit levert een compacte, interpreteerbare samenvatting van dagelijks gedrag op, waarbij een dag wordt gedefinieerd door zijn gewogen combinatie van globale archetypen.

2. IBAD Architectuur (Hiërarchisch Zelf-gesuperviseerd Model)

IBAD leert de verwachte template-mengeling van een doelendag te voorspellen op basis van hun historische traject.

Bezoek-embedding: Individuele bezoeken worden gecodeerd met behulp van leerbare embeddings voor agent-identiteit, aankomst-/vertrektijden (via Time2Vec) en activiteitscategorieën.
Dagelijkse Representatie: Een bidirectionele Transformer-encoder verwerkt de sequentie van bezoeken binnen een enkele dag. Een leerbaar [CLS] token aggregeert deze bezoeken tot een vaste dagelijkse vector ( $z_d$ ), waarbij intra-dag afhankelijkheden en dominante activiteiten worden gewogen.
Historie-geconditioneerde Voorspelling: Een causaal cross-attention mechanisme voorspelt de template-mengeling ( $\hat{\theta}_d$ $\hat{θ}_{d}$ ) voor een doelendag.
- De query wordt afgeleid van de tijdstempel van de doelendag.
- De keys en values worden afgeleid van de voorgaande dagelijkse vectoren van de agent ( $z_{d'}$ waar $d' < d$ ).
- Dit maakt het model in staat om rekening te houden met onregelmatige observatie-intervallen en temporele drift.
Trainingsdoel: Het model wordt getraind om de Kullback-Leibler (KL) divergentie te minimaliseren tussen de geobserveerde mengeling (afgeleid van de LDA-stap) en de voorspelde mengeling (afgeleid van de historie van de agent).
Anomalie-scoring: Tijdens de inferentie is de anomalie-score voor een dag de KL-divergentie tussen de geobserveerde mengeling en de voorspelling van het model. Een hoge divergentie duidt erop dat het gedrag van de dag inconsistent is met het historische repertoire van de agent.

3. Benchmarking Strategie

Omdat er weinig grondwaarheid-labels voor gedragsafwijkingen bestaan, introduceren de auteurs een Splicing Benchmark:

Intra-agent Splicing: Vervangt een dag door een andere dag van dezelfde agent (bijv. het wisselen van een werkdag voor een weekenddag) om afwijkingen in de routine binnen één persoon te simuleren.
Inter-agent Saling: Vervangt een dag door een dag van een andere agent om gedragsmismatches tussen personen te simuleren.
Gecombineerd: Een mix van beide strategieën.
Filtering: Substituties worden alleen geaccepteerd als de Jensen-Shannon divergentie tussen de originele dag en de geïnjecteerde dag de drempelwaarde van de template-distributies overschrijdt, wat zinvolle gedragsverschuivingen garandeert.

Belangrijkste Bijdragen

Nieuw Gedragsparadigma: Verschuift de focus van anomaliedetectie van rigide ruimtelijke/temporele afwijkingen naar interpreteerbare gedragstemplate-mengsels. Anomalieën worden gedefinieerd als dagen waarop het algemene activiteitspatroon niet verklaard kan worden door de gevestigde routine-mix van een individu.
Gedragstemplate-ontdekking: Toont aan dat dagelijkse mobiliteit uiteenvalt in een kleine set interpreteerbare templates met behulp van ongecontroleerde LDA. Het voorgestelde IBAD-framework scoort dagen op basis van hun afwijking van de voorspelde template-mengeling.
Nieuwe Benchmarks:
- Een semantisch gelabelde Geolife benchmark, die ruwe GPS-verblijfspunten naar activiteitscategorieën mapt met behulp van OpenStreetMap en LLM's.
- Een splicing-protocol voor het evalueren van gedragsafwijking zonder grondwaarheid-labels, dat zowel intra-persoon, inter-persoon als gecombineerde mismatches dekt.
Robuustheid en Overdraagbaarheid: Experimenten tonen aan dat templates die geleerd zijn op één dataset (bijv. NHTS) universele gedragsarchetypen vastleggen die oversteken naar verschillende geografische en demografische contexten (bijv. Geolife, synthetische data).

Experimentele Resultaten

Het artikel evalueert IBAD op real-world (NHTS 2017, Geolife) en synthetische (NUMOSIM) datasets.

Template Interpreteerbaarheid: De door LDA ontdekte templates (bijv. voltijdswerk, student, thuisblijver, ploegendienst) komen overeen met bekende menselijke gedragsarchetypen en zijn temporeel onderscheidend.
Prestaties: IBAD presteert consistent beter dan state-of-the-art baselines (inclusclusief methoden zoals BeSTAD, LMTAD en ICAD) bij het detecteren van gedragsafwijkingen in alle settings.
Generalisatie: Het framework behoudt een robuuste prestatie, zelfs wanneer het wordt toegepast op datasets met verschillende distributies, wat aantoont dat de geleerde gedragsarchetypen overdraagbaar zijn.

Betekenis en Claims

Het artikel beweert dat IBAD een significante vooruitgang biedt door de beperking van bestaande methoden die vertrouwen op handmatig gemaakte ruimtelijke of temporele kenmerken aan te pakken. Door mobiliteit te abstraheren naar interpreteerbare template-mengsels, kan IBAD levensstijlverschuivingen en gedragsveranderingen detecteren die "buiten karakter" lijken, zelfs als geen enkele bezochte locatie ongewoon is.

De auteurs positioneren deze benadering als bijzonder relevant voor toepassingen zoals:

Ouderenzorg en monitoring van cognitieve achteruitgang.
Psychiatrische gezondheidsbeoordeling.
Kindveiligheid en fraude detectie.
Openbare veiligheid.

Het werk benadrukt dat echte gedragsafwijkingen vaak worden gedefinieerd door de recombinatie van activiteiten in plaats van de activiteiten zelf, een nuance die wordt gevangen door de template-mengeling benadering. De code wordt vrijgegeven voor reproduceerbaarheid.