[发明专利]一种基于SVM模型的乘车异常人员识别方法及系统

说明书

本发明公开了一种基于SVM模型的乘车异常人员识别方法及系统，属于人工智能技术领域。包括：根据其它用户在待修复的乘车记录对应行程上的第一平均耗费时长、刷卡记录中每一乘车记录对应的比值的平均值及目标用户在待修复的乘车记录对应行程上的第二平均耗费时长，获取待修复的乘车记录对应行程的耗费时长估值；基于第二预设条件以及耗费时长估值，对待修复的乘车记录的乘车时刻进行修复；根据修复后的刷卡记录，获取目标用户的交通出行量数据并输入至已训练的SVM模型，输出目标用户的识别结果。由于基于乘客的时空特征行为，并通过建模的方式从大规模人群中自动识别，可提高识别的效率以及精准性，从而为维护公共交通的治安提供了技术支撑。

技术领域

本发明属于人工智能技术领域，更具体地，涉及一种基于SVM模型的乘车异常人员识别方法及系统。

背景技术

随着公共交通的快速发展，城市的交通现状得到了一定的改善。以地铁为例，地铁作为公共场合，客流量大、人员密集、成分复杂，站内及车厢空间相对封闭，一直以内都是猥亵、扒窃等违法行为的高发地。近年来，地铁猥亵、扒窃行为比例逐渐上升。对于一些城市，其一年内接报的猥亵警情就已超过该市地铁治安警情的1/3，地铁猥亵俨然已经成为目前最影响市民地铁出行安全的违法行为，关乎市民幸福感及安全感。地铁猥亵人员往往利用地铁站厅或车厢相对拥挤、不易察觉、较难避让等客观条件肆意开展猥亵行为，被害女性往往羞于当众反抗。

针对上述情形，目前主要是通过人工监控方式，即在民警接到受害人事后报案后，通过查看大量的视频录像去取证。

然而，上述人工监控方式存在着不可忽略的缺陷：虽然地铁站厅内监控摄像头较多，但地铁站点客流大(换乘站尤为突出)的特点，使得地铁站厅和地铁车厢内的视频取证均相当耗时，基于人眼的人工监控方式的识别效率也较低，且识别结果受到人工因素的限制，往往并不准确。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于SVM模型的乘车异常人员识别方法及系统，其目的在于，解决现有通过人工监控方式识别时效率低、耗时长及不精准的技术问题。

为实现上述目的，按照本发明的第一个方面，提供了一种基于SVM模型的乘车异常人员识别方法，包括以下步骤：

获取目标用户的刷卡记录，对于刷卡记录中任意一条不满足第一预设条件的乘车记录，将该乘车记录作为待修复的乘车记录，获取待修复的乘车记录的出发时刻及到达时刻；其中，第一预设条件为乘车记录的出发时刻与到达时刻之间的间隔时长不大于预设时长；

计算刷卡记录中每一乘车记录的实际耗费时长与每一乘车记录对应行程的平均耗费时长之间的比值，并根据其它用户在待修复的乘车记录对应行程上的第一平均耗费时长、刷卡记录中每一乘车记录对应的比值的平均值及目标用户在待修复的乘车记录对应行程上的第二平均耗费时长，获取待修复的乘车记录对应行程的耗费时长估值；

基于第二预设条件以及耗费时长估值，对待修复的乘车记录的乘车时刻进行修复，待修复的乘车记录的乘车时刻为待修复的乘车记录的出发时刻或到达时刻；

根据修复后的刷卡记录，获取目标用户的交通出行量数据，将交通出行量数据输入至已训练的SVM模型，输出目标用户的识别结果。

优选地，交通出行量数据至少包括时间维度数据及空间维度数据；时间维度数据至少包括用户的乘车总时长、同站进出总时长、每一乘车记录对应的比值的平均值及平均刷卡时间间隔；空间维度数据至少包括用户的目的地数量、同站进出总次数及相同站点最大访问次数。

优选地，时间维度数据还包括用户的单次同站进出最大时长、同站进出上车时间点及每一乘车记录对应的比值中的最大值。

优选地，交通出行量数据还包括用户行为数据；用户行为数据至少包括用户在预设时间窗口内的刷卡记录数、同站进出进站点最大客流量、同站进出出站点最大客流量、平均进站客流量及平均出站客流量。