利用多源数据识别城市轨道交通个体异常乘车行为

【目的】构建数据集及算法识别城市轨道交通中的异常乘车行为(偷窃、乞讨卖艺及未授权派发广告等)。【方法】通过构建时空矩阵将乘客的时空轨迹精炼至时空特征图中,在不提升复杂度的同时保留全部出行记录;将时空特征图作为输入,建立基于注意力机制以及图卷积神经网络的算法框架,提取出乘客的关键轨迹模式特征,进而从常规客流中识别出异常乘车行为。【结果】实验结果表明本文方法有效,精准度达到93.10%,召回率达到95.30%,F1达到94.19%,较基线模型各评估指标均提升超过3个百分点。【局限】如何扩充数据集样本数量以及假阳性对常规乘客的冒犯问题有待解决,无法识别常更换智能卡的异常乘客。【结论】本文实现了一个样本规模更大、工作量更小的异常乘车行为数据集构建方法,一个可以准确识别异常乘车行为的深度学习时空特征提取方法。本文模型可以为轨道交通系统提供准确识别异常乘车行为的工具。