摩拜 & 京东联合利用智能单车数据挖掘违章停车

背景

违章停车问题是现在大城市普遍需要面对的难题。随着汽车保有量增加，停车位供不应求，违章停车变得十分严重。目前检测违停常用的方法是交警巡逻。这样的方法耗费大量人力，且效率不高。此外，随着城市中摄像头的采用，基于视频的违停检测技术也开始推行。然而，摄像头及检测系统的部署和维护非常昂贵，最终也导致用于检测违停的摄像头覆盖率不足。

摩拜的兴起、摩拜的数据

幸运的是，近年共享单车兴起并广受欢迎。以摩拜为例，摩拜单车在北京拥有超过百万的订单。而摩拜单车的用户在使用过程中，记录了大规模、细粒度的非常有价值的轨迹信息。违章停车会对自行车的骑行线路产生影响，使其不同于正常骑行轨迹。如果在某一路段获得了大量模式类似的轨迹，就可以对当前路段是否有违章停车进行推测。

论文：Detecting Illegal Vehicle Parking Events using Sharing Bikes' Trajectories

论文链接：http://urban-computing.com/pdf/kdd2018illegalparking.pdf

摘要：违章停车是大城市中普遍存在的问题。违章停车引起交通拥堵，也会引发交通事故。传统的交警巡逻、摄像监控方案，会耗费的大量人力物力，很难覆盖整个城市。共享单车的兴起产生了大量且质量高的轨迹数据，为我们检测违章停车提供了新的机遇。因为我们观察到，大多数违章停车发生在路边，会对自行车骑行轨迹造成影响。为此，我们提出了基于共享单车轨迹数据的违章停车检测技术，该技术主要包含了两个模块：一是预处理模块，包含了有针对性的相应轨迹清洗、路网匹配、轨迹索引方案；二是检测模块，该模块对正常轨迹建模，从待测轨迹中提取特征，再通过假设检验方法检测违章停车。该系统部署于摩拜公司内部云平台。最后，我们会展示详细的实验与许多有意思的实地考察。

方法

系统主要分为两个模块，预处理和检测。

预处理模块主要分三个步骤：1. 通过停留点检测和速度限制清洗数据；2. 对单车轨迹进行地图匹配。与以往机动车轨迹地图匹配不同的是，该工作去掉路网中的高架路、道路方向限制和限速，以适应自行车轨迹。并且，论文介绍了基于平均距离和轨迹方向的错误匹配过滤方法，有效解决了自行车轨迹脱离路网（例如骑到居民区或者公园里的轨迹）的现象；3. 对已清洗、已匹配的轨迹数据，进行路段 ID 进行倒排索引建立，再以时间戳进行二级索引建立。以得到快的数据获取速度。

在检测模块，作者阐明了三个难点及应对方法：1. 为了应对违停检测正样本难获取性，和轨迹模式在违停时的多样性，该工作采用了单类学习（One-class Learning）的思想。即只学出正常情形，再进行异常检测。该工作采取深夜的轨迹作为正常轨迹；2. 其次，意识到 GPS 误差、骑行习惯多样性引入的单条轨迹难以分类的问题，作者采用了轨迹融合与分布一致性的假设检验，KS 检验。文章解释到，即使 GPS 误差和不同用户骑行习惯会影响单条轨迹，然而一条特定路段上，轨迹点概率分布是不变的。只有在有违章停车发生时，这个概率分布才会受到影响。因此，分类轨迹点分布，比分类单条轨迹要可靠；3. 最后，作者提到 GPS 误差随着地理环境产生的影响，例如高楼密集处 GPS 误差大，空旷处 GPS 误差小。因此该工作中，每条路单独进行建模。

最后检测的流程如图。在离线建模状态下，对每条路段，算法取出历史数据中，深夜经过该路段的轨迹数据，作为baseline；在在线检测状态下，将给定时间段的待测轨迹数据，与baseline轨迹数据进行 shift 值分布一致性进行 KS 检验。当 KS 检验无法通过定值的致信度，判断其为有违章停车。

实验与 Case study

文章中的实验基于北京路网数据及北京 6 个月的轨迹数据。为了验证算法结果有效性，作者亲自采集了 454 个违停数据，包含 159 个正例。通过调节置信度的大小，作者得到了对应的检测 F1 值。最好结果为 0.73 的 F1 值，在为 0.71 时取得。

此外，作者还研究了在不同的数据量下，算法效果的变化。文章中，通过限制待测轨迹数从 10 到 50，画出了对应的 ROC 曲线，曲线下方面积越大效果越好。从结果中可以发现，算法效果随着数据量的上升而变好。另外，基于 30 条轨迹的检测效果和 50 条的效果非常接近。作者认为，只要轨迹数量至少达到一定量（如 30 条），就可以得到相对准确的检测结果。

为了更好地评估违停检测算法的优劣，论文作者根据得到的实验结果（路段颜色越深表示违停情况越严重），在亮马桥地铁站附近做了实地考查。作者发现，被检测违停严重的红色框内是大使馆区，上班族较多，且有不少饭店，但区域内缺乏停车场建设，因此，车辆违停现象严重，甚至出现在自行车道、人行斑马线上；相比之下，东边的三环辅路，一路周围空旷，只有两个拥有大量停车位的酒店，极少出现违停。这些考察进一步验证了实验结果的有效性。

另外，作者根据对比不同时间段违停严重程度，发现某些路段具有时间敏感性。例如文章提到，在亮马桥站出口，工作时间车辆较少，而高峰期违停相对严重，并解释这与司机接送乘客有关；另一个例子是在北四环的望河公园，在周末、节假日，路边违停有明显增多，这与该公园有较多亲子主题活动，且缺少内部停车场有关。

贡献

该论文是第一篇基于共享单车的违停检测研究。在无需任何人力的介入下，达成了全城范围的违停检测。设计了针对共享单车轨迹特定的清洗与路网匹配方法，并以此采用了一种轨迹融合与假设检验的违停检测算法。该工作使得可以单独依赖共享单车数据完成大范围的违章停车检测，为解决机动车占道停放等问题提供新思路，并助力城市道路规划的优化和完善，是共享单车数据深度挖掘的一个经典例子。