[發明專利]一種基于模塊度最優化的地面公交扒竊團體自動檢測方法

有效

• 申請號: 201711399120.3
• 申請日: 2017-12-22
• 公開（公告）號: CN108009690B
• 公開（公告）日: 2022-01-14
• 發明（設計）人: 張勇;趙霞;劉浩;王文婷;尹寶才
• 申請（專利權）人: 北京工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/00;G06Q50/26;G06V10/74
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種基于模塊度最優化的地面公交扒竊團體自動檢測方法，其特征在于，包括以下步驟

步驟1：扒竊個體間相似性算子度量

在一起團伙扒竊事件中，扒竊團體間成員間的協作性促使兩兩扒竊個體在移動模式、空間、時間和時空維度呈現出行相似性，分別采用mobSim、spaSim、tmSim、stSim予以標記，各算子的計算方式見步驟1.1至步驟1.5，

步驟1.1：移動模式相似性算子mobSim度量

對于移動模式相似性算子mobSim而言，它量化的是個體間以出行特征序列為表征的移動模式相似性，扒竊個體p和q二者的移動模式相似性mobSim(p,q)為其移動模式相異性mobDis(p,q)的指數反函數，計算方式見公式(1)，式中，δ為冪平衡算子，用于確保mobSim(p,q)介于[0，1]范圍內，為mobDis(p,q)標準化后的數值，mobDis(p,q)是用于度量p、q各自出行特征序列f_p和f_q的歐式距離，和分別代表f_p和f_q的第d維特征指標，

步驟1.2：空間模式相似性算子spaSim度量

對于空間模式相似性算子spaSim，采用文本相似性的原理度量，分別收集扒竊個體p和q二者所訪問過的站點集合A_p或A_q，并為集合內的任一站點a_i計算p或q在該點的訪問頻數或遍歷二者共同訪問過的站點由此計算二者在每一個共同訪問站點的累計余弦相似度，從而完成對二者空間模式相似性spaSim(p,q)的度量，計算方式見公式(2)，式中，len(A_p)或len(A_q)分別為個體p或q的總體加權站點訪問頻數，當二者共同訪問過的站點不為空時，即spaSim(p,q)＞0；當A_p＝A_q時，spaSim(p,q)＝1，

步驟1.3：時間模式相似性算子tmSim度量

對于時間模式相似性算子tmSim，采用運輸問題中的供需平衡原理予以度量，對于扒竊個體p，構建頻率直方圖來刻畫其在任一時段的出行頻率轉義為運輸領域問題“供應商H^p在產地供應貨物量”；同理，構建頻率直方圖來刻畫扒竊個體q在時段的出行頻率轉義為運輸領域問題“需求商H^q在銷地需求貨物量”，那么p和q在時間模式上的相似性tmSim(p,q)表示為上述以頻率直方圖為表征的供、需方的最小地面移動距離EMD(H^p,H^q)，本著“供需平衡”的原理，EMD(H^p,H^q)是關于最小運輸總量與產銷兩地地面運輸距離乘積的指數函數，計算公式見公式(3)，

步驟1.4：時空模式相似性算子stSim度量

時空模式相似性算子stSim是關于空間模式相似性算子spaSim和時間模式相似性算子tmSim的乘積，扒竊個體p和q二者的時空模式相似性算子stSim(p,q)的計算方式見公式(4)，

步驟1.5：移動模式加權相似性算子度量

此外，考慮到扒竊個體間移動模式在空間、在時間或在時空維度上同樣具有加權相似性，進一步采用加權算子mobSpaSim、mobTmSim、mobStSim來度量標記，這3種加權算子的定義及計算方式如下，

首先，mobSpaSim是移動模式相似性算子mobSim與空間模式相似性算子spaSim的加權值，計算方式見公式(5)，二者的權重系數分別為和θ₁是mobSim權重系數的十倍配比整數，θ₁∈[1,5]，意味著mobSpaSim有5種實例取值，分別為：mobSpaSim1、mobSpaSim2、mobSpaSim3、mobSpaSim4、mobSpaSim5，對應推導出mobSim和spaSim的權重配比分別為1：9、2：8、3：7、4：6、5：5，

其次，mobTmSim是移動模式相似性算子mobSim與時間模式相似性算子tmSim的加權值，計算方式見公式(6)，二者的權重系數分別為和θ₂是mobSim權重系數的十倍配比整數，θ₂∈[1,5]，意味著mobTmSim有5種實例取值，分別為：mobTmSim1、mobTmSim2、mobTmSim3、mobTmSim4、mobTmSim5，對應推導出mobSim和tmSim的權重配比分別為1：9、2：8、3：7、4：6、5：5，

最后，mobStSim是移動模式相似性算子mobSim與時空模式相似性算子stSim的加權值，計算方式見公式(7)，二者的權重系數分別為和θ₃是mobStSim中分項mobSim權重系數的十倍配比整數，θ₃∈[1,5]，意味著mobStSim有5種實例取值，分別為：mobStSim1、mobStSim2、mobStSim3、mobStSim4、mobStSim5，對應推導出mobSim和stSim的權重配比分別為1：9、2：8、3：7、4：6、5：5，

綜上，根據相似性算子是否進行mobSim加權，將其各自歸入簡單組和加權組，以便從多維度量化扒竊個體間交通模式相似性，其中，簡單組算子共計4類，即：mobSim、spaSim、tmSim、stSim；加權組算子共計15類，即：mobSpaSimθ₁、mobTmSimθ₂、mobStSimθ₃，兩組算子合計19類；

步驟2：基于扒竊個體對監督學習的優選相似性算子提取

通過變換分類器和個體間相似性算子的方式，設計多組有監督式分類學習實驗，來自動檢測數據集中的真實兩兩扒竊個體對，并對每組分類實驗下的精度和召回率進行效果評估，最終選出在評估效果上具有典型代表性的相似性算子，以開展后續的團體檢測工作，其中，多組分類學習實驗的設計方式為：依次變換步驟1中提及的19種相似性度量算子，并同時變換一層神經網絡、k近鄰填充、邏輯回歸、樸素貝葉斯和決策樹這5種分類器，累計開展19×5組扒竊個體對的監督學習實驗予以施行；

步驟3：基于Louvain算法的扒竊自動檢測

將扒竊團體中任一扒竊個體類比為圖上的節點，同時，將步驟2中輸出的優選相似性算子類比為圖上的邊權值，構建扒竊關聯圖，再采用基于模塊度最優化的Louvain算法自動檢測扒竊關聯圖中的潛在扒竊團體；其中，根據輸出的優選相似性算子的個數對應構建多個扒竊關聯圖；

步驟4：對步驟3檢測的扒竊團體進行匹配驗證。