东时 资讯

大数据揭秘:公交上的小偷

开心果烁烁 2017-07-28 00:00:00 42 565

摘要: 如何找出小偷:将北京划分为多个小的局部的功能区块,并分析了896条地铁线经过的44524个公交车站和18条地铁线经过的320个地铁站的数据。首先,从每个人的日常出现记录中提取特征;然后,进行无监督的异常行人检测和有监督的模式分类,从而挖掘出异常的出行轨迹。

在旧金山举行的KDD2016学术会议上,罗格斯大学的Hui Xiong等学者向大家报告了他们的研究论文“Catch Me If You Can:Detecting Pickpocket Suspects from Large-Scale Transit Records”。论文报道在2014年的前9个月就有350个扒手在地铁交通系统上被抓,490个扒手在公交车上被抓。因此,他们对北京智能公交一卡通数据的分析研究,根据异常交通记录分析来抓小偷。共使用了北京市2014年4-6月三个月间600万乘客的约16亿智能公交一卡通数据记录。如下图所示,Hui Xiong等将北京划分为多个小的局部的功能区块,并分析了896条地铁线经过的44524个公交车站和18条地铁线经过的320个地铁站的数据。首先,从每个人的日常出现记录中提取特征;然后,进行无监督的异常行人检测和有监督的模式分类,从而挖掘出异常的出行轨迹。

一卡通大数据

方法的基本原理:如下图我们可以看到很多从热点区域A到热点区域B的交通轨迹,执行观察这些轨迹我们可以看到“绝大多数的行人会选择最优的交通方式(最短时间/距离,或者最少的换乘)”。但是,一个行人(嫌疑人)选择的交通路线为A->C->D->B,这是非常奇怪的,对上述异常行为需要进一步的仔细分析,如果该人的异常行为足够多,那么他很可能是一名扒手。

嫌疑人路线大数据

挖掘结果分析:

Hui Xiong公布了他们的研究结果,如下表所示,利用TS-SVM算法,可以达到92.7%的召回率(即能够正确地识别出92.7%的小偷),但是遗憾的是他们的精确度有点低(也就是说算法的虚警率较高)。

工作日早上8:00-11:00的四种出行模型

上午出行路线大数据

(a)正常的出行者,可以看出他们主要在居住地、工作地、途经区域活动。(b)旅游者,可以看出他们频繁地访问圆明园、天安门、南锣鼓巷等景点区域。(c)购物者,可以看出他们主要访问王府井、西单等购物区域。(d)扒手,他们是一种流浪的模式,没有清晰的目的地,他们频繁地换乘,随机的停留,经常进行短途的出行。他们还(一段时间内)频繁地访问多种功能区:交通枢纽(例如西直门)、购物区(例如王府井)、景点(例如鼓楼)【哈哈,终于知道小偷喜欢去哪里了!!】。对于正常人而言,他们短时间内只访问一个/一种功能区。


     

标签
在线咨询
在线报名
客服QQ
视频下载
回到顶部