Die Anomalieerkennung in Videos hat aufgrund der wachsenden Anforderungen an die automatisierte Überwachung von Überwachungsvideos erhebliche Aufmerksamkeit erhalten. Insbesondere basieren Vorhersageansätze auf einer der am häufigsten untersuchten Methoden, bei denen nach dem Lernen an normalen Frames aus dem Trainingsdatensatz Frames vorhergesagt werden, die anormalen Ereignissen im Testdatensatz enthalten. Allerdings sind zahlreiche Vorhersagenetze rechenintensiv, da sie vortrainierte Optische-Fluss-Netzwerke verwenden, oder erkennen Anomalien nicht, da ihre starke generative Fähigkeit auch Anomalien vorhersagen kann. Um diese Nachteile zu beheben, schlagen wir die räumliche Rotationstransformation (SRT) und die zeitliche Mischtransformation (TMT) vor, um unregelmäßige Patch-Kuboiden innerhalb normaler Frame-Kuboiden zu erzeugen, um das Lernen normaler Merkmale zu verbessern. Darüber hinaus wird die vorgeschlagene Patch-Transformation ausschließlich während des Trainings eingesetzt, was es unserem Modell ermöglicht, Anomalien während der Inferenz mit hoher Geschwindigkeit zu erkennen. Unser Modell wird an drei Benchmark-Datenbanken zur Anomalieerkennung evaluiert und erreicht eine konkurrenzfähige Genauigkeit und übertrifft alle vorhergehenden Ansätze hinsichtlich der Geschwindigkeit.