[发明专利]一种基于监督学习的地面公交扒窃个体自动检测方法

摘要

本发明公开一种基于监督学习的地面公交扒窃个体自动检测方法。针对目前在公共交通安全监管方面尚缺乏一套有效的智能交通数据分析方法以自动检测地面公交扒窃个体的问题，本发明采用地面公交大数据和社交网络有效数据，提出一种基于有监督式分类的地面公交扒窃个体自动检测方法，包括以下步骤：步骤1：提取异常出行关键特征；步骤2：嵌入扒窃组别的聚类分析；步骤3：扒窃个体样本库构建；步骤4：扒窃个体有监督式分类。本发明提出的地面公交扒窃个体自动检测方法可应用于公共交通行业数据分析平台，为扒窃个体检测、扒窃事件预警及可视化布控提供科学依据。

主权项

一种基于监督学习的地面公交扒窃个体自动检测方法，其特征在于，包括以下步骤：步骤1：分别从空间、时间和属性维度提取多个表示扒窃个体出行的特征指标；其中，空间维度的异常出行关键特征包含：隐患站点个数(abStas)和站点片区熵值(staZnEn)，时间维度的异常出行关键特征包含：站点时间熵值(staTmEn)和高峰时段访问频率(peakTmPct)，属性维度的异常出行关键特征包含：频繁出行频率(freTraPct)、最频繁出行路径比重(maxODPct)、短途出行比重(shortTraPct)；步骤2：嵌入扒窃组别的聚类分析步骤2.1：扒窃组别细分。根据扒窃先验知识可知，扒窃个体在freTraPct和maxODPct指标上呈现出与正常个体截然不同的分布特性，当某一个体：·freTraPct＞0.05，为出行频繁个体；·maxODPct＞0.3，为拥有最频繁使用路径的个体；根据上述两个指标将全部个体归至G1、G3、G5、G7组别，G1组可表示出行频率高并且有最频繁使用路径的个体，其他组别个体的出行特性依以此类推：a)G1：freTraPct＞0.05及maxODPct＞0.3；b)G3：freTraPct≤0.05及maxODPct＞0.3；c)G5：freTraPct＞0.05及maxODPct≤0.3；d)G7：freTraPct≤0.05及maxODPct≤0.3；步骤2.2：无监督式聚类分析选用基于划分思想的k‑means++方法对上述4类组别个体进行聚类，选取k‑means++聚集个体的关键出行特征，将具有相近移动模式的个体化为一类，为标定扒窃个体提供便利；如果某类中仅包含异常样本，则称其为纯异常类，否则为复合类；步骤2.3：聚类效果评估k‑means++算法收敛的条件是所有类内个体移动模式的累积相异度最小，具体可用聚类评估指标SSE进行量化表征，SSE的计算公式见式(3)，式中，x是第i类的任一样本点，代表第i类移动模式类别下的任一个体的出行特征序列；ci是第i类的质心，代表第i类移动模式类别下的典型出行特征序列；dist(x，ci)是x和ci的欧式距离，代表第i类移动模式类别下所选个体的出行特征序列与典型出行特征序列的相异度，SSE=Σi=1kΣx∈cidist(x,ci)2---(3)]]>k‑means++算法需要预设聚类数目k，该值达到最优的条件是所有类内个体移动模式的累积相异度最小，且所有类间个体移动模式的累积相异度最大，类内累积相异度可用SSE表示，而类间累积相异度可用聚类评估指标SSB量化表示，SSB是指所有类的类内质心与全体数据集质心的欧式距离的累积和，SSB与类间分离度成正比，SSB的计算公式见式(4)，式中，c是全体数据集的质心，代表全体个体的典型出行特征序列；mi是第i类的类内样本个数，代表第i类移动模式类别下所有个体的数目，SSB=Σi=1kmidist(ci,c)2---(4)]]>步骤3：扒窃个体样本库构建首先采用ROCF算子判别任一类异常性，如果是纯异常类，则将类内个体全部标记为异常个体，否则，继续从中筛选潜在异常个体，采用LOF算子逐一识别出异常个体；最后采用社交网络数据验证异常个体的真实性，实现扒窃个体样本库的构建；步骤4：基于所构建的扒窃个体样本库，采用有监督式分类方法自动检测数据集中的扒窃个体。