智能车辆中异常检测能力的提升：一种用于根本原因诊断的因果约束图注意力网络

《Engineering Applications of Artificial Intelligence》：Enhanced anomaly interpretation in intelligent vehicles: A causal constraint graph attention network for root cause diagnosis

智能车辆多传感器数据异常检测中，传统图注意力网络存在虚假相关和固定阈值缺陷，本文提出因果约束图注意力网络（MAD-CGAT）框架，通过因果关系引导的稀疏连接注意力机制降低虚假关联，结合滑动自适应阈值动态调整检测阈值，并构建分层诊断策略实现异常根因定位。实验表明该方法在真实车辆数据及公开数据集上有效降低误报漏报率，提升因果可解释性。

　　

陈世祥|闵海根|吴霞|赵向模

长安大学信息工程学院，中国西安710064

摘要

智能车辆越来越依赖多传感器数据来进行实时环境感知和决策，然而车辆传感器容易受到各种干扰，产生威胁安全的异常情况。传统的异常诊断方法（如图注意力网络）存在虚假相关性和固定阈值的问题，导致在数据分布发生变化时诊断结果不可靠。为了解决这些问题，本文提出了一种基于因果约束图的注意力网络，用于智能车辆的多传感器数据异常检测和根本原因诊断。首先，通过设计一种稀疏连接注意力机制来克服传统图注意力网络中的虚假相关性和参数估计偏差，将全连接注意力计算转化为由节点因果关系引导的计算方式。其次，提出了一种基于数据异常程度加权的滑动自适应阈值计算方法，以解决环境变化导致的误报和漏报问题。第三，实施了一种分层异常诊断策略，整合了特征重建误差、可变的因果关系和图注意力网络权重，以便定位异常传播路径中的根本原因。使用真实车辆数据和公开数据集进行的实验表明，所提出的方法在异常检测性能上表现出色，并能够对六种类型的异常进行可解释的根本原因诊断，这得益于因果约束注意力机制和自适应阈值。凭借实时推理能力，该方法为智能车辆应用中的异常诊断提供了重要的实际部署机会。

引言

随着人工智能技术的进步和对道路安全需求的增加，作为革命性交通工具的智能车辆（IVs）正在快速发展，具有显著提高行驶效率和减少交通事故的潜力（Cheng等人，2025年）。智能驾驶系统严重依赖多样化的传感器网络进行实时环境感知和决策，这些传感器的稳定性和数据质量直接关系到整个系统的安全性和可靠性（Thakur和Mishra，2024年；Zendehdel等人，2024年）。然而，在实际运行环境中，传感器容易受到极端天气、电磁干扰和硬件故障的影响，产生对智能驾驶系统构成安全威胁的异常数据（Zhao等人，2024年）。为了进一步提高智能驾驶系统的稳定性和安全性，传感器数据异常诊断技术已成为近期研究的热点（Solaas等人，2025年）。

为了应对复杂的驾驶条件，智能车辆配备了越来越多的传感器来辅助智能决策，包括但不限于超声波传感器、全球导航卫星系统（GNSS）和惯性测量单元（IMU）。这些传感器收集的数据包含大量的时间序列数据。传统的异常检测方法在处理高维非平稳时间序列数据时表现不佳（Ma等人，2023年）。因此，深度学习网络目前是常用的智能车辆传感器数据异常检测技术（Zhao等人，2024年）。由于实际异常数据通常难以收集，且异常模式复杂多样，监督式异常检测方法在这种场景下难以实施。在这种情况下，仅在正常数据上训练的重建网络已成为智能车辆领域广泛采用的异常检测模型架构之一（S等人，2024年）。

基于重建的方法使用智能车辆正常运行期间生成的传感器数据进行训练，旨在使模型完全学习正常数据的“编码-生成”模式（Park等人，2018年）。当训练好的模型遇到偏离正常分布的异常数据时，它无法很好地重建输入数据，从而导致重建误差增加，序列中的异常通过超过预设阈值的误差被检测出来（Park等人，2018年）。然而，在实际应用中收集的正常数据通常只代表正常样本的一个子集，而不是整个正常样本群体。例如，在特定天气条件下收集的正常车辆运行数据可能与在其他天气条件下的数据分布有显著差异。在这种情况下，模型参数仅针对部分正常数据进行了优化，这些参数可能无法很好地泛化到未见的正常变化场景。一些罕见但合法的正常模式可能会被模型错误地分类为异常，从而导致较高的误报率（Wang和Liu，2025年）。

为了解决基于重建的方法在未见正常模式方面的局限性，一些研究（Sun等人，2024年；Zhang等人，2025年；Ge等人，2024年）认为，仅仅关注数据的表面重建是不够的；更重要的是，需要理解多维传感器数据变量之间的内在结构。其中，图注意力网络（GAT）凭借其明确的节点间关系建模能力，在传感器数据异常检测领域得到了广泛应用（Dai和Chen，2022年；Liu等人，2025年；Deng和Hooi，2021年；Yang等人，2023年）。GAT通过自适应学习节点之间的重要性权重来捕捉多变量传感器数据中的复杂依赖关系（Liu等人，2025年），理论上提高了正常模式的表达能力，并减少了在未见正常场景下的误报率（Bao等人，2025年）。然而，传统的GAT在异常检测方面仍面临根本性挑战。在传统的GAT中，不受约束的全连接注意力机制倾向于捕捉统计相关性而非节点之间的因果关系（Sui等人，2024年）。这种基于共现的特征归纳偏差容易导致模型学习到虚假相关性，并受到混杂变量的影响，从而削弱了其在分布外数据上的泛化能力和因果鲁棒性（Fan等人，2024年）。在运行环境与训练环境分布发生变化的智能驾驶场景中，这个问题尤为突出。

此外，基于重建的方法需要设置阈值来检测异常。现有方法基于经验设置固定阈值（Min等人，2024年；Yu等人，2024年）或基于测试集上的最佳性能指标设置阈值（Deng和Hooi，2021年），以区分正常样本和异常样本。由于固定阈值缺乏对数据分布动态变化的适应性，当环境变化时，它们容易产生误报和漏报（Watts等人，2022年）。此外，在使用阈值检测到异常样本后，还需要诊断异常的根本原因并确定异常在传感器网络中的传播路径（Dong等人，2025年），这对于安全关键的自动驾驶系统至关重要。然而，一些现有研究（S等人，2024年；Khanmohammadi和Azmi，2024年；Fu等人，2023年）仅检测异常，而没有提供异常解释。

总之，现有的智能车辆传感器数据异常诊断方法面临三个核心挑战：（1）传统图注意力网络中的全连接注意力机制容易学习到虚假相关性，在数据分布发生变化时泛化能力有限；（2）固定阈值策略缺乏对数据分布动态变化的适应性，容易产生误报和漏报；（3）大多数现有方法仅停留在异常检测阶段，缺乏可解释的根本原因诊断能力。

为了解决这些挑战，本文提出了一种基于因果约束的图注意力网络（CGAT）框架，用于智能车辆的多传感器异常检测（MAD）问题，称为MAD-CGAT。该框架的主要目标是通过融合因果知识与图注意力来实现智能车辆多传感器数据的可靠异常检测和根本原因诊断。本研究的主要贡献总结如下：

• （1）
  提出了一种因果约束图注意力网络CGAT，它将传统GAT的全连接注意力计算转化为由节点因果关系引导的稀疏连接注意力计算，以减轻虚假相关性和参数估计偏差问题。
• （2）
  提出了一种基于数据异常程度加权的滑动自适应阈值计算方法，使检测阈值能够根据最近的误差分布动态调整，从而降低环境变化下的误检和漏检风险。
• （3）
  提出了一种分层异常诊断策略，整合了特征重建误差、可变的因果关系和图注意力权重扰动分析，实现了异常根本原因的定位和传播路径的识别，提高了异常诊断的可解释性和可用性。

本文的其余部分安排如下：第2节回顾相关工作。第3节详细介绍了所提出的方法。第4节进行了验证和比较实验。第5节总结了当前的工作并提出了未来的研究方向。

相关工作

相关工作

本节首先回顾了智能车辆领域中基于重建的异常检测方法，指出了它们在处理数据分布变化方面的局限性。然后分析了图神经网络在多变量时间序列数据中的应用，揭示了它们的虚假相关性问题。随后介绍了用于因果推断的时间卷积网络的进展。最后，总结了现有研究的局限性，明确了本研究的动机。

方法论

本节详细阐述了所提出的MAD-CGAT框架。首先定义了智能车辆多传感器数据异常诊断问题，并概述了该框架的总体工作流程以及每个组件与研究挑战之间的对应关系。然后依次详细介绍了方法论：传感器变量因果关系的构建方法、因果约束图注意力机制的设计、时间依赖性建模和重建

实验

本节进行了全面的实验来验证MAD-CGAT框架的有效性。首先介绍了用于性能验证的真实车辆数据和公开数据集。接下来，分析了MAD-CGAT与各种基线方法在三个数据集上的性能比较以及消融实验。最后，提供了MAD-CGAT的可解释性分析和时间复杂性分析。

结论

本文提出了一种基于因果约束的智能车辆传感器数据异常诊断框架。通过对自收集的真实车辆数据（CHU_RV）以及公开的KITTI和SMD数据集的全面实验验证，证实了所提出方法的有效性和实用性。基于全面的实验结果，得出以下结论：

• （1）
  所提出的因果约束图注意力机制显著减少了干扰

CRediT作者贡献声明

陈世祥：撰写——原始草案、验证、软件、方法论、形式分析、概念化。闵海根：撰写——审阅与编辑、监督、项目管理、资金获取、概念化。吴霞：撰写——审阅与编辑、资金获取。赵向模：资源、方法论、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的可能影响本文工作的竞争性财务利益或个人关系。

致谢

本研究部分得到了国家自然科学基金（编号：52372426、52302399）、陕西省创新能力支持计划-创新人才促进计划（编号：2023KJXX-020）、陕西省自然科学基金（编号：2022JQ-663）、陕西省重点研发计划（编号：2024GX-YBXM-261）以及中央高校基本科研业务费（编号：300102243202、300102243711、300102244713）的支持。