智慧城市是近年來(lái)非常熱門的話題，基于 AI 技術(shù)的城市計(jì)算的研究也是熱點(diǎn)之一。對(duì)于構(gòu)建一個(gè)智慧城市來(lái)說(shuō)，擁有海量高質(zhì)量「活」數(shù)據(jù)非常關(guān)鍵。

近年來(lái)興起的共享單車滿足了大量用戶的短途出行需求，這些每天運(yùn)行在大街小巷中，帶有智能鎖終端的設(shè)備，在過(guò)去幾年中已經(jīng)收集了大量有價(jià)值的「活」數(shù)據(jù)�，F(xiàn)在市場(chǎng)中的先行者們也開(kāi)始在挖掘這些數(shù)據(jù)中的價(jià)值。

在剛剛過(guò)去的數(shù)據(jù)挖掘頂級(jí)會(huì)議 SIGKDD 2018 中，摩拜與京東金融合作發(fā)表了一篇名為「Detecting Illegal Vehicle Parking Events using Sharing Bikes' Trajectories」的論文，該論文通過(guò)挖掘摩拜自行車的軌跡數(shù)據(jù)來(lái)檢測(cè)城市中的機(jī)動(dòng)車違停問(wèn)題�？梢宰龅皆跓o(wú)需任何人力的介入下，達(dá)成了全城范圍的違停檢測(cè)，為城市的數(shù)據(jù)利用發(fā)起了一個(gè)新的方向。

背景

違章停車問(wèn)題是現(xiàn)在大城市普遍需要面對(duì)的難題。隨著汽車保有量增加，停車位供不應(yīng)求，違章停車變得十分嚴(yán)重。目前檢測(cè)違停常用的方法是交警巡邏。這樣的方法耗費(fèi)大量人力，且效率不高。此外，隨著城市中攝像頭的采用，基于視頻的違停檢測(cè)技術(shù)也開(kāi)始推行。然而，攝像頭及檢測(cè)系統(tǒng)的部署和維護(hù)非常昂貴，最終也導(dǎo)致用于檢測(cè)違停的攝像頭覆蓋率不足。

摩拜的興起、摩拜的數(shù)據(jù)

 

 

幸運(yùn)的是，近年共享單車興起并廣受歡迎。以摩拜為例，摩拜單車在北京擁有超過(guò)百萬(wàn)的訂單。而摩拜單車的用戶在使用過(guò)程中，記錄了大規(guī)模、細(xì)粒度的非常有價(jià)值的軌跡信息。違章停車會(huì)對(duì)自行車的騎行線路產(chǎn)生影響，使其不同于正常騎行軌跡。如果在某一路段獲得了大量模式類似的軌跡，就可以對(duì)當(dāng)前路段是否有違章停車進(jìn)行推測(cè)。

論文：Detecting Illegal Vehicle Parking Events using Sharing Bikes' Trajectories

 

 

論文鏈接：http://urban-computing.com/pdf/kdd2018illegalparking.pdf

摘要：違章停車是大城市中普遍存在的問(wèn)題。違章停車引起交通擁堵，也會(huì)引發(fā)交通事故。傳統(tǒng)的交警巡邏、攝像監(jiān)控方案，會(huì)耗費(fèi)的大量人力物力，很難覆蓋整個(gè)城市。共享單車的興起產(chǎn)生了大量且質(zhì)量高的軌跡數(shù)據(jù)，為我們檢測(cè)違章停車提供了新的機(jī)遇。因?yàn)槲覀冇^察到，大多數(shù)違章停車發(fā)生在路邊，會(huì)對(duì)自行車騎行軌跡造成影響。為此，我們提出了基于共享單車軌跡數(shù)據(jù)的違章停車檢測(cè)技術(shù)，該技術(shù)主要包含了兩個(gè)模塊：一是預(yù)處理模塊，包含了有針對(duì)性的相應(yīng)軌跡清洗、路網(wǎng)匹配、軌跡索引方案;二是檢測(cè)模塊，該模塊對(duì)正常軌跡建模，從待測(cè)軌跡中提取特征，再通過(guò)假設(shè)檢驗(yàn)方法檢測(cè)違章停車。該系統(tǒng)部署于摩拜公司內(nèi)部云平臺(tái)。最后，我們會(huì)展示詳細(xì)的實(shí)驗(yàn)與許多有意思的實(shí)地考察。

方法

 

 

系統(tǒng)主要分為兩個(gè)模塊，預(yù)處理和檢測(cè)。

預(yù)處理模塊主要分三個(gè)步驟：

1. 通過(guò)停留點(diǎn)檢測(cè)和速度限制清洗數(shù)據(jù);

2. 對(duì)單車軌跡進(jìn)行地圖匹配。與以往機(jī)動(dòng)車軌跡地圖匹配不同的是，該工作去掉路網(wǎng)中的高架路、道路方向限制和限速，以適應(yīng)自行車軌跡。并且，論文介紹了基于平均距離和軌跡方向的錯(cuò)誤匹配過(guò)濾方法，有效解決了自行車軌跡脫離路網(wǎng)(例如騎到居民區(qū)或者公園里的軌跡)的現(xiàn)象;

3. 對(duì)已清洗、已匹配的軌跡數(shù)據(jù)，進(jìn)行路段 ID 進(jìn)行倒排索引建立，再以時(shí)間戳進(jìn)行二級(jí)索引建立。以得到快的數(shù)據(jù)獲取速度。

在檢測(cè)模塊，作者闡明了三個(gè)難點(diǎn)及應(yīng)對(duì)方法：

1. 為了應(yīng)對(duì)違停檢測(cè)正樣本難獲取性，和軌跡模式在違停時(shí)的多樣性，該工作采用了單類學(xué)習(xí)(One-class Learning)的思想。即只學(xué)出正常情形，再進(jìn)行異常檢測(cè)。該工作采取深夜的軌跡作為正常軌跡;

2. 其次，意識(shí)到 GPS 誤差、騎行習(xí)慣多樣性引入的單條軌跡難以分類的問(wèn)題，作者采用了軌跡融合與分布一致性的假設(shè)檢驗(yàn)，KS 檢驗(yàn)。文章解釋到，即使 GPS 誤差和不同用戶騎行習(xí)慣會(huì)影響單條軌跡，然而一條特定路段上，軌跡點(diǎn)概率分布是不變的。只有在有違章停車發(fā)生時(shí)，這個(gè)概率分布才會(huì)受到影響。因此，分類軌跡點(diǎn)分布，比分類單條軌跡要可靠;

3. 最后，作者提到 GPS 誤差隨著地理環(huán)境產(chǎn)生的影響，例如高樓密集處 GPS 誤差大，空曠處 GPS 誤差小。因此該工作中，每條路單獨(dú)進(jìn)行建模。

 

 

最后檢測(cè)的流程如圖。在離線建模狀態(tài)下，對(duì)每條路段，算法取出歷史數(shù)據(jù)中，深夜經(jīng)過(guò)該路段的軌跡數(shù)據(jù)，作為 baseline;在在線檢測(cè)狀態(tài)下，將給定時(shí)間段的待測(cè)軌跡數(shù)據(jù)，與 baseline 軌跡數(shù)據(jù)進(jìn)行 shift 值分布一致性進(jìn)行 KS 檢驗(yàn)。當(dāng) KS 檢驗(yàn)無(wú)法通過(guò)定值的致信度，判斷其為有違章停車。

實(shí)驗(yàn)與 Case study

 

 

文章中的實(shí)驗(yàn)基于北京路網(wǎng)數(shù)據(jù)及北京 6 個(gè)月的軌跡數(shù)據(jù)。為了驗(yàn)證算法結(jié)果有效性，作者親自采集了 454 個(gè)違停數(shù)據(jù)，包含 159 個(gè)正例。通過(guò)調(diào)節(jié)置信度的大小，作者得到了對(duì)應(yīng)的檢測(cè) F1 值。最好結(jié)果為 0.73 的 F1 值，在為 0.71 時(shí)取得。

此外，作者還研究了在不同的數(shù)據(jù)量下，算法效果的變化。文章中，通過(guò)限制待測(cè)軌跡數(shù)從 10 到 50，畫(huà)出了對(duì)應(yīng)的 ROC 曲線，曲線下方面積越大效果越好。從結(jié)果中可以發(fā)現(xiàn)，算法效果隨著數(shù)據(jù)量的上升而變好。另外，基于 30 條軌跡的檢測(cè)效果和 50 條的效果非常接近。作者認(rèn)為，只要軌跡數(shù)量至少達(dá)到一定量(如 30 條)，就可以得到相對(duì)準(zhǔn)確的檢測(cè)結(jié)果。

 

 

為了更好地評(píng)估違停檢測(cè)算法的優(yōu)劣，論文作者根據(jù)得到的實(shí)驗(yàn)結(jié)果(路段顏色越深表示違停情況越嚴(yán)重)，在亮馬橋地鐵站附近做了實(shí)地考查。作者發(fā)現(xiàn)，被檢測(cè)違停嚴(yán)重的紅色框內(nèi)是大使館區(qū)，上班族較多，且有不少飯店，但區(qū)域內(nèi)缺乏停車場(chǎng)建設(shè)，因此，車輛違�，F(xiàn)象嚴(yán)重，甚至出現(xiàn)在自行車道、人行斑馬線上;相比之下，東邊的三環(huán)輔路，一路周圍空曠，只有兩個(gè)擁有大量停車位的酒店，極少出現(xiàn)違停。這些考察進(jìn)一步驗(yàn)證了實(shí)驗(yàn)結(jié)果的有效性。

 

 

另外，作者根據(jù)對(duì)比不同時(shí)間段違停嚴(yán)重程度，發(fā)現(xiàn)某些路段具有時(shí)間敏感性。例如文章提到，在亮馬橋站出口，工作時(shí)間車輛較少，而高峰期違停相對(duì)嚴(yán)重，并解釋這與司機(jī)接送乘客有關(guān);另一個(gè)例子是在北四環(huán)的望河公園，在周末、節(jié)假日，路邊違停有明顯增多，這與該公園有較多親子主題活動(dòng)，且缺少內(nèi)部停車場(chǎng)有關(guān)。

貢獻(xiàn)

該論文是第一篇基于共享單車的違停檢測(cè)研究。在無(wú)需任何人力的介入下，達(dá)成了全城范圍的違停檢測(cè)。設(shè)計(jì)了針對(duì)共享單車軌跡特定的清洗與路網(wǎng)匹配方法，并以此采用了一種軌跡融合與假設(shè)檢驗(yàn)的違停檢測(cè)算法。該工作使得可以單獨(dú)依賴共享單車數(shù)據(jù)完成大范圍的違章停車檢測(cè)，為解決機(jī)動(dòng)車占道停放等問(wèn)題提供新思路，并助力城市道路規(guī)劃的優(yōu)化和完善，是共享單車數(shù)據(jù)深度挖掘的一個(gè)經(jīng)典例子。

標(biāo)簽： 金融

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。