TrajMind：链接角色专用 LoRA，用于快速和慢速集体轨迹异常诊断

从城市轨迹诊断集体异常对于交通治理越来越重要，因为它揭示了发生的事情、涉及的人员以及事件发生的地点和时间。现有的检测器可以有效地生成分数或标签，而视觉-语言管道则提供更丰富的语义；两者都没有通过低延迟监控来验证诊断。核心挑战是识别集体模式并从源轨迹中恢复准确的事件详细信息，而无需为每个受监视的窗口运行完整的诊断管道。因此，我们将始终在线的筛查与按需诊断分开：筛查会发出警报，而诊断仅发布经过来源验证的事件、人物、地点和时间记录。我们推出了 TrajMind，这是一种快慢框架，可在一个冻结的视觉语言主干上切换三个角色专用的 LoRA 适配器。它的慢速路径 \textit{TrajMind$_{\text{slow}}$} 链接基于画布的打字、序列化轨迹上的类型条件定位以及可执行验证，从而产生结构化的、有证据支持的诊断。此外，快速路径 \textit{TrajMind$_{\text{fast}}$} 在单个纯文本通道中筛选每个窗口，提供高效的结构化警报。大量实验表明，TrajMind$_{\mathrm{slow}}$ 在异常输入方面比最强基线至少高出 $15.3$ 个百分点，在本地化方面比最强基线高出 $13.8$ 个百分点。这些收益在跨城市传输下持续存在，而 TrajMind$_{\mathrm{fast}}$ 将延迟降低了 $41.1\%$，并保持至少 $93.5\%$ 的二进制平衡精度。 TrajMind 共同提供跨城市的准确、有证据支持的诊断和高效的一线监控。