个体出行行为中的例行模式发现与异常检测
社会与信息网络
2021-06-15 v1 计算机与社会
应用统计
摘要
发现模式并检测个体出行行为中的异常是研究与实践中一个关键问题。在本文中，我们通过构建概率框架来建模个体时空出行行为数据（例如出行记录与轨迹数据）以解决该问题。我们开发了二维潜在狄利克雷分配（LDA）模型来刻画每位出行者时空出行记录的生成机制。该模型分别为空间维度和时间维度引入两个独立的因子矩阵，并在个体层面使用二维核心结构来有效建模联合交互与复杂依赖。该模型能以无监督方式从非常稀疏的出行序列中高效总结空间与时间维度上的出行行为模式。如此，复杂出行行为可被建模为具有代表性的、可解释的时空模式的混合。通过将训练好的模型应用于某出行者未来/未见的时空记录，我们可以利用困惑度对这些观测打分来检测其行为异常。我们在真实世界的车牌识别（LPR）数据集上展示了所提建模框架的有效性。结果证实了统计学习方法在建模稀疏个体出行行为数据方面的优势。这类模式发现与异常检测应用可为交通监控、执法与个体出行行为画像提供有用洞察。
引用
@article{arxiv.2004.03481,
title = {Routine pattern discovery and anomaly detection in individual travel behavior},
author = {Lijun Sun and Xinyu Chen and Zhaocheng He and Luis F. Miranda-Moreno},
journal= {arXiv preprint arXiv:2004.03481},
year = {2021}
}