面向共享出行系统中的可解释异常检测-计算机科学-共享出行-异常检测-可解释人工智能.pdfVIP

面向共享出行系统中的可解释异常检测

ElnurIsgandarov,MatteoCederle,FedericoChiariotti,

GianAntonioSusto

UniversityofPadova,Italy(e-mail:

elnur.isgandarov@studenti.unipd.it,matteo.cederle@phd.unipd.it,

federico.chiariotti@unipd.it,gianantonio.susto@unipd.it).

摘要共享出行系统，如自行车共享网络，在城市交通中发挥着至关重要的作用。识别这些

系统中的异常对于优化运营、提高服务可靠性和增强用户体验至关重要。本文提出了一种

可解释的异常检测框架，该框架集成了多源数据，包括自行车共享行程记录、天气状况和

公共交通可用性。采用了IsolationForest算法进行无监督异常检测，并结合基于深度的隔

本离森林特征重要性（DIFFI）算法提供可解释性。结果显示，站点级别的分析能够很好地理

译解异常情况，突出了外部因素如恶劣天气和有限的交通可用性的影响。我们的研究发现有

中助于改进共享出行运营中的决策制定。

1

vKeywords:共享出行，异常检测，孤立森林，DIFFI，可解释人工智能。

3

41.介绍现有的共享出行中的异常检测方法通常侧重于用户行

6

5为或系统范围的趋势。然而，它们往往存在两个关键限

1

.共享移动系统，如自行车共享网络，已成为城市交通的制：缺乏可解释性，使得难以理解为什么某些行程或站

7

0重要组成部分，提供了比私人车辆更经济且环保的替点被标记为异常（Xuetal.(2023)），以及依赖标注数

5代方案，并解决了公共交通最后一公里的问题，正如据，在实际部署中通常是不可获得的（D’Amicantonio

2

:Yangetal.(2019)所讨论的。然而，其优化和管理需etal.(2024)）。

v

i要了解复杂的供需模式，这些模式受到多种相互作用因

x为了解决这些挑战，我们提出了一种集成多源数据的

r素的影响，如天气状况、公共交通整合、社区的城市结

a无监督异常检测框架，包括共享单车行程记录、天气

构以及音乐会、体育赛事和公共假期等特殊事件，这些

状况、公共交通可用性、社区数据和假期安排。我们采

因素被Zhangetal.(2023)研究过，如Weinreichetal.

用Liuetal.(2008)提出的孤立森林算法来识别异常移

(2023)所示。这种复杂交织可能会掩盖异常现象：需求

动模式，并利用由Carlettietal.(2023)提出的基于深

模式的波动或某些车站进出交通平衡的变化可能导致

度的孤立森林特征重要性（DIFFI）来解释结果。我们

系统效率低下并减少服务可用性，正如Chiariottietal.

考虑了一种以站点为中心的方法，分析给定的有桩共享

(2018)所显示的是自行车共享系统优化的目标。理解和

单车站点和给定时间内的异常情况，并强调这种方法