摘要:从海量的公交卡出行记录中识别出小偷,是不是令人脑洞大开的想法?小偷是喜欢去西单偷东西呢还是喜欢去回龙观呢?刚刚召开的KDD2016(知识发现和数据挖掘大会)上的一篇文章介绍了一种分析智能公交一卡通数据研究北京公交、地铁上乘客的出行规律,从而识别扒手的方法。该研究成功地识别出了92.7%的小偷。得到这个消息后,“计算机化侦查”以最快的速度阅读了该报告,并第一时间与大家分享,本文的最后提供了原始论文的下载链接。
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
关于“计算化侦查”:大数据时代的到来给公安工作带来了前所未有之机遇,包括犯罪分子在内的所有的人都已经被数字化。每个人的几乎所有的生产和生活的活动都已经被数字化、网络化、可计算化。这也使得利用智能学习的计算模型来对人的行为(对犯罪分子而言可能是犯罪行为)进行预测、对人的情感(包括性格、感情和犯罪心理等)进行分析成为可能。我们认为公安工作的智能计算化时代特别是公安侦查工作的计算化时代已经到来!因此,特别建设了“计算化侦查”公众号,和大家共同探索如何进行计算化侦查。
本文采用「CC BY-SA 4.0 CN」协议转载自互联网、仅供学习交流,内容版权归原作者所有,如涉作品、版权和其他问题请给「我们」留言处理。
注意:本文归作者所有,未经作者允许,不得转载