本研究采用时空生成对抗网络(STGAN)框架，结合图神经网络和长短期记忆网络，旨在提高城市交通管理中的交通异常检测能力和响应效率。

本文介绍了用于交通异常检测的音频-视觉数据集MAVAD及新方法AVACA，通过交叉注意提取特征，提升了5.2%的性能。研究探讨了异常检测模块在自动驾驶中的应用，提出多种策略以提高检测效果，并强调使用多种评估指标和共享模型的重要性。

本文汇总了多项视频异常检测研究，涵盖边缘设备高效检测系统（AI City Challenge 2021 F1 0.9157，第四名）、车载摄像头驾驶行为识别、像素级不确定性异常检测、基于交通参与者位置预测的交通事故检测、Highway Driving数据集与基线算法、利用增强现实与生成对抗网络合成训练数据以提升道路感知、Street Scene大型数据集及新基准算法、交通异常检测方案（AI CITY 2021第一）、深度多实例评级弱监督异常检测及新数据集，以及三阶段运动模式管道模型检测时间戳感知异常。