摘要驾驶行为异常检测是智能交通系统（ITS）和车险理赔（UBI）的核心技术之一。传统方法依赖于固定阈值或浅层分类器，难以应对驾驶风格多样性及噪声干扰。本文系统性地提出了一套融合IMU（惯性测量单元）、GPS和CAN总线信号的异常驾驶行为检测框架。文章深入探讨了从原始信号滤波、姿态解算，到基于LSTM的时序特征提取，再到基于变分自编码器（VAE）的无监督异常评分机制。特别地，本文引入近两年兴起的Transformer时序模型与对比学习范式，对比了有监督与无监督路线在实际部署中的优劣。最后，我们讨论了端侧轻量化推理与云边协同的工程架构，为实际落地提供参考。关键词：驾驶行为检测；IMU信号处理；LSTM；无监督学习；异常检测；Transformer；边缘计算目录第一章 绪论：驾驶行为异常检测的必要性与技术挑战1.1 从交通安全到商业保险：为何检测“危险驾驶”迫在眉睫1.2 现有方法的局限性1.3 本文的核心贡献与创新点第二章 传感器信号处理与姿态解算（IMU GPS）2.1 坐标系对齐：从传感器坐标系到车身坐标系2.2 重力补偿与坐标系投影2.3 GPS辅助速度与航向修正第三章 危险行为定义与特征工程3.1 驾驶行为分类体系（基于ISO 22839标准）3.2 时序特征窗口设计3.3 衍生特征构造（专家经验补充）第四章 LSTM及其变体在时序驾驶数据上的建模4.1 从RNN到LSTM/GRU的数学回顾4.2 数据预处理与序列填充4.3 有监督训练基线（用于对比）第五章 无监督异常检测范式：从自编码器到对比学习5.1 变分自编码器（VAE）的重构概率5.2 引入对比学习：SimCLR时序适配5.3 时间域对抗训练（额外鲁棒性）第六章 实验评估与消融研究6.1 数据集与实验设置6.2 评价指标6.3 主要结果对比6.4 消融实验（Ablation Study）第七章 工程部署与端云协同架构7.1 端侧轻量化：从TensorFlow到TF Lite Micro7.2 边端-云端协同异常检测闭环第八章 前沿动态与未来展望（2025-2026）8.1 大规模预训练模型（TimeGPT 驾驶基础模型）8.2 多模态融合（摄像头+IMU+毫米波雷达）8.3 可解释性（XAI）在驾驶异常中的关键角色8.4 伦理与隐私：差分隐私保护第九章 总结第一章 绪论：驾驶行为异常检测的必要性与技术挑战