炼数成金 门户 商业智能 数据挖掘 查看内容

大数据告诉你:公交车上谁是小偷?

2017-7-4 10:50| 发布者: 炼数成金_小数| 查看: 19773| 评论: 0|来自: 计算化侦查

摘要: 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 ...

工具 算法 商业智能 ETL 学术

论文简介: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。

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。具体的识别小偷的方法细节请参考原文,本文的最后提供了下载的地址。



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较精确度有点低(也就是说算法的虚警率较高)。


另外,论文还给出了工作日早上8:00-11:00的四种出行模型,如下图所示。


(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。

论文原文(英文版):http://www.kdd.org/kdd2016/papers/files/adf0629-duA.pdf

欢迎加入本站公开兴趣群
商业智能与数据分析群
兴趣范围包括各种让数据产生价值的办法,实际应用案例分享与讨论,分析工具,ETL工具,数据仓库,数据挖掘工具,报表系统等全方位知识
QQ群:81035754

鲜花

握手

雷人

路过

鸡蛋

相关阅读

最新评论

热门频道

  • 大数据
  • 商业智能
  • 量化投资
  • 科学探索
  • 创业

即将开课

 

GMT+8, 2018-12-16 12:34 , Processed in 0.145653 second(s), 24 queries .