面向不可用共享单车检测的自监督 Transformer

共享单车系统（BSS）的快速扩张大大提高了城市“最后一公里”连接性，但大规模部署面临着日益严峻的运营挑战，尤其是检测故障单车。现有检测方法要么依赖基于静态阈值的模型，忽略动态时空（ST）使用模式，要么采用监督学习方法，难以处理标签稀缺和类别不平衡问题。为此，本文提出一种 novel 自监督 Transformer（SSTransformer）框架，用于自动检测不可用共享单车，利用从 GPS 轨迹和 trip 记录中提取的 ST 特征。该模型采用自监督预训练策略来增强其特征提取能力，随后进行 fine-tuning 以实现高效的状态识别。在预训练阶段，Transformer 编码器通过自监督目标学习 bike 运动的通用表征；在 fine-tuning 阶段，编码器被适应到下游二元分类任务。我们在来自成都、中国 10,730 辆自行车（1,870 辆不可用，8,860 辆正常）的真实数据集上进行了全面实验，结果表明 SSTransformer 在传统机器学习、集成学习和深度学习基线方法上显著优于，实现了最佳准确率（97.81%）、精确率（0.8889）和 F1 分数（0.9358）。本工作凸显了自监督 Transformer 在 ST 数据上捕获 BSS 中复杂异常的有效性，为实现更可靠和可扩展的共享 mobility 维护解决方案指明了方向。