驾驶习惯也能识人？基于时空孪生神经网络的轨迹识别

⬆⬆⬆ 点击蓝字

关注我们

AI TIME欢迎每一位AI爱好者的加入！

前言：

给定一组单独的人员（例如行人，出租车司机）的历史轨迹以及由特定人员生成的一组新轨迹，轨迹识别问题旨在验证传入的轨迹是否是由所要求的人员产生。这个问题在许多实际应用中都很重要，例如出租车驾驶人员身份认证、汽车保险公司风险分析以及犯罪识别等。轨迹识别的现有工作除了需要轨迹数据之外，还需要其他来源的数据，如传感器、摄像头等，但这些数据无法普遍获得且成本较高，且目前的工作只能局限于已有的人员身份识别，无法扩展至未经训练的人员。为了应对这些挑战，在这项工作中，作者首次尝试通过提出一种新颖而有效的框架时空孪生网络（ST-SiameseNet），仅从观察到的轨迹数据匹配人员身份。对于每个人员，作者从他们的轨迹中提取特征，来预测每个人轨迹的相似性。

论文原文链接：

https://www.aminer.cn/pub/5f03f3b611dc830562232050?conf=kdd2020

论文源码：

https://github.com/huiminren/ST-SiameseNet

任慧敏，美国伍斯特理工学院三年级博士生，导师Yanhua Li教授。研究兴趣为城市计算、时空数据挖掘。

一、前言

1.1

这个研究的现实意义

线上打车在现代社会越来越多的被应用，甚至说成为主流，行业从业人员多了之后，就显得鱼龙混杂，时不时的会有安全事故被报道。尽管现在的平台会对司机进行实名认证，但仍会发生李代桃僵的事情。于是作者提出了“Human Mobility Signature Identification”，即通过轨迹信息的挖掘，进而分析驾驶人的驾驶行为，最终判断驾驶人是否是同一人。

除了安全认证之外，这项技术在汽车的保险行业也有着发展前景，比如投保人与肇事者是否是同一人，或者是否有危险驾驶行为，例如酒驾，等等。

那么这项工作简单表述就是通过两段时间的轨迹信息，来判断这两个时间线中是否是同一个人。

1.2

前期工作

听着简单，可是实现过程却并不简单，在前期的工作中会遇到各式问题：

• 司机的身份认证，GPS轨迹之外还需要额外的数据，例如车载的摄像机，方向盘和刹车的传感器，成本高昂。

• 传统的聚类或者多分类模型去识别司机身份，但这类方法识别数量有限，无法满足现实需要。

• 泛化性不足，面对训练集外的数据束手无策。