付鳳杰,阮琳琦,王 澤

(1.浙江警察學(xué)院交通管理工程系，浙江杭州 310053；2.浙江警察學(xué)院計算機與信息安全系，浙江杭州 310053)

0 引言

近年來，網(wǎng)約車在中國迅速普及。第47次《中國互聯(lián)網(wǎng)絡(luò)發(fā)展狀況統(tǒng)計報告》指出，截至2020年12月，中國網(wǎng)約車用戶已達3.65億，占網(wǎng)民整體的36.9%[1]。但是，法律空白和監(jiān)管困難給乘客帶來了嚴重的風(fēng)險，網(wǎng)約車司機殺人、強奸等暴力刑事案件時有發(fā)生，2018年5月6日和2018年8月24日，兩名網(wǎng)約車乘客在出行途中，被司機強奸并殺害。保障網(wǎng)約車乘客的安全成為了網(wǎng)約車運營和監(jiān)管的基礎(chǔ)和重中之重，網(wǎng)約車司機嚴重違法風(fēng)險預(yù)警技術(shù)的探索和發(fā)展迫在眉睫。

關(guān)于網(wǎng)約車安全的研究，國內(nèi)學(xué)者們主要集中于探討政府部門、立法與司法機關(guān)等主體在管理上的改進[2-3]，乘客安全監(jiān)測和司機嚴重違法風(fēng)險預(yù)警研究較少。隨著移動互聯(lián)時代的到來，基于車輛移動軌跡數(shù)據(jù)時空挖掘方面的研究逐漸增多，但是大多學(xué)者僅聚焦于異常軌跡/行為檢測算法。例如，傳統(tǒng)的異常軌跡檢測算法基本思路為：將同一OD之間的軌跡進行聚類，旨在將常見的、相似度較大的軌跡歸為正常軌跡類，將罕見的、與眾不同的軌跡歸為異常軌跡類[4-5]。該類算法主要對已完成的歷史軌跡進行判別，并不適用于對未完成的軌跡進行實時判別，難以應(yīng)用于風(fēng)險預(yù)警。一些學(xué)者提出了移動軌跡監(jiān)測/判別方法，例如Xpa等利用軌跡的位置、速度、方向數(shù)據(jù)，通過計算軌跡的多因素不一致性系數(shù)，實現(xiàn)異常軌跡的判別[6]。這類算法計算復(fù)雜度隨時間的推移而顯著增加，更重要的是網(wǎng)約車安全監(jiān)測是一個綜合性的復(fù)雜研究，不僅需要考慮人文地理學(xué)、心理學(xué)、交通運輸學(xué)，更需要結(jié)合犯罪地理學(xué)和概率統(tǒng)計理論等對車輛行駛軌跡和司機駕駛行為及犯罪行為進行分析和預(yù)判。

違法犯罪行為與時空因素高度相關(guān)，往往會集中在一個高發(fā)時期及某些熱點空間區(qū)域，且該類區(qū)域的人口密度、經(jīng)濟情況以及區(qū)域類別等有著顯著的特征[7-8]。如錢漢偉等人[9]建立違法犯罪數(shù)據(jù)模型，挖掘社交網(wǎng)絡(luò)數(shù)據(jù)具有潛在價值和線索，識別異常特征的可疑人群。顏峻[10]以社區(qū)盜竊案件發(fā)案率為例,建立了盜竊違法犯罪率與社區(qū)人口密度、路網(wǎng)密度、社區(qū)距派出所距離等因素之間的局部分析模型,并發(fā)現(xiàn)違法犯罪空間分布與人口、環(huán)境等因素的關(guān)系隨空間位置而改變。因此，基于時空規(guī)律的違法犯罪位置預(yù)測和違法犯罪率預(yù)測成為了研究熱點。違法犯罪位置預(yù)測主要包括違法犯罪熱點識別[11-12]和基于違法犯罪熱點分析的違法犯罪位置預(yù)測，如肖漢等人[13]考慮時間距離因素、違法犯罪率因素、人口數(shù)量因素、警察因素、地理環(huán)境因素和被害人職業(yè)因素等影響因子，建立研究區(qū)域的違法犯罪概率評價函數(shù)，得到違法犯罪分子下一步最有可能違法犯罪的預(yù)測區(qū)域。Tayebi等人[14]提出了基于違法犯罪熱點和嫌疑人活動空間的違法犯罪位置概率模型。違法犯罪率預(yù)測是指利用回歸分析等方法對某一區(qū)域內(nèi)的違法犯罪率進行建模和預(yù)測[15]，例如Wang H等人[16]利用Poi數(shù)據(jù)和出租車流量數(shù)據(jù)，建立了基于負二項模型的地理加權(quán)回歸模型，用以預(yù)測某街區(qū)的違法犯罪率[16]。但是，這些研究都基于大量的歷史違法犯罪數(shù)據(jù)。當特定種類的違法犯罪數(shù)據(jù)過少，并且需要在個體層面對研究對象的違法犯罪風(fēng)險進行監(jiān)測時，往往需要采用模糊綜合評價模型。例如，錢振等、周侗等[17-18]提出了一種安全狀態(tài)監(jiān)測模型，從地理時空角度，分析案件發(fā)生的區(qū)域和時間特征，提取城市“潛在危險區(qū)域”，構(gòu)建車輛OD距離、異常速度、行駛時間等因子，實時綜合分析乘客安全狀態(tài)。但是一方面，該研究直接給出了危險因子的權(quán)重值，忽略了專家經(jīng)驗及比較判斷矩陣；另一方面，評價模型未考慮乘客因素。網(wǎng)約車司機嚴重違法風(fēng)險評價指標包括司機/乘客特征、地理環(huán)境(違法犯罪場所分布)、社會環(huán)境(人口聚集情況)、出行路線、駕駛行為等，不同指標對不同司機的影響程度不同。因此，應(yīng)相應(yīng)地結(jié)合公安專家處理相關(guān)違法犯罪案件的經(jīng)驗，提高各個指標權(quán)重的科學(xué)合理性；利用貝葉斯定理，融入乘客因素，提高評價結(jié)果的合理性。

綜上，本項目以網(wǎng)約車為研究對象，期望通過融合多維時空數(shù)據(jù)，搭建網(wǎng)約車司機嚴重違法風(fēng)險評價指標體系、挖掘和提取嚴重違法風(fēng)險評價指標、建立基于層次分析法的嚴重違法風(fēng)險評價模型、構(gòu)建面向不同對象的嚴重違法風(fēng)險多級預(yù)警機制，實現(xiàn)網(wǎng)約車司機嚴重違法風(fēng)險監(jiān)測和預(yù)警，為網(wǎng)約車乘客的出行安全提供保障。

1 嚴重違法風(fēng)險預(yù)警系統(tǒng)設(shè)計思路

本文的嚴重違法行為主要指網(wǎng)約車司機在出行過程中可能構(gòu)成搶劫、殺人、強奸等暴力犯罪的嚴重違法行為。犯罪行為是否發(fā)生與自身主觀條件、客觀環(huán)境和犯罪條件有關(guān)。自身主觀條件包括性別、年齡、性格等因素，客觀環(huán)境主要是社會和地理環(huán)境，犯罪條件主要包括時空條件、工具條件和侵害對象。因此，本文考慮司機特征(司機性別、年齡、接單數(shù)、綜合評分、差評比例)、客觀環(huán)境因素(整體風(fēng)險、出行實時風(fēng)險)、時空條件(出行特征、車輛實時行駛狀態(tài))及乘客特征(性別、年齡、人數(shù))等，建立網(wǎng)約車司機嚴重違法風(fēng)險預(yù)警系統(tǒng)，設(shè)計思路如圖1所示。

圖1 風(fēng)險預(yù)警系統(tǒng)設(shè)計思路

2 影響因素定量化處理

2.1 基于K-means算法的司機特征聚類

相同的客觀環(huán)境因素和時空條件對不同特征的司機的影響、約束作用不同。為提高專家對各因素重要性打分的準確度和合理性，繼而提高嚴重違法概率預(yù)測精度，需對司機進行聚類分析。獲取了某一城區(qū)300名網(wǎng)約車司機的基礎(chǔ)數(shù)據(jù)，包括每個司機的性別、年齡、接單數(shù)、綜合評分、差評比例、投訴比例等。樣本比例達到1.64%，能夠保證統(tǒng)計結(jié)果達到10%的置信水平、5%的誤差水平。由于不同量綱的特征處于不同數(shù)值量級，對數(shù)據(jù)進行處理，得到任意司機i的6維屬性xi={xi1,xi2,xi3,xi4,xi5,xi6}，具體方法如下：

(1)虛擬變量：性別男xi1=0，性別女xi1=1；

(2)標準化處理：年齡、接單數(shù)、綜合評分，即xij=(x′ij-μij)/σij。

式中，x′ij是司機i第j個屬性的原始值，xij是x′ij的標準化結(jié)果，μij和σij分別是司機i第j個屬性原始值的平均值和方差。

利用K-means算法對樣本集合R6進行聚類分析,R6={x1,…,xM}。由于分類過多會造成專家打分困難，準確度降低，因此，根據(jù)實際經(jīng)驗將K值取為3，并將類別名稱定義為穩(wěn)重資深型、穩(wěn)步上升型、沖動兼職型。

算法主要步驟有兩個：

步驟一：隨機選取3個聚類質(zhì)心點為μ1,μ2,μ3∈R6；

步驟二：分別利用公式(1)和公式(2)重復(fù)迭代類別劃分和質(zhì)心計算，直至質(zhì)心不變或者變化很小。

(1)

(2)

式中，ci表示第i個司機與3個聚類質(zhì)心點中距離最近的類，xi表示第i個司機的6維屬性，μk表示第k個聚類質(zhì)心點，μkj表示第k個聚類質(zhì)心點的第j個特征值，M表示司機的樣本數(shù)。

2.2 基于核密度分析法的客觀環(huán)境風(fēng)險計算

與網(wǎng)約車出行安全相關(guān)的客觀環(huán)境主要是指偏僻無人空曠區(qū)域的分布，用人口聚集情況和偏僻場所的分布來表征。人口聚集情況用活動場所(生活服務(wù)、美食、購物)來描述。選用這3類數(shù)據(jù)的原因有4點：一是生活服務(wù)、美食、購物分布稀疏的區(qū)域一定程度上能夠代表城市偏僻無人空曠區(qū)域；二是生活服務(wù)、美食、購物場所相對較小，較為安全；三是這些數(shù)據(jù)為開放性數(shù)據(jù)，任何城市都可以獲取，能夠保證模型和預(yù)警系統(tǒng)的實時性和有效性；四是生活服務(wù)、美食、購物的營業(yè)與否能夠一定程度上反映人口聚集情況的動態(tài)變化。偏僻場所用以表征網(wǎng)約車司機嚴重違法行為實施場所，主要包括山林、公園?？陀^環(huán)境對嚴重違法風(fēng)險的影響體現(xiàn)在兩方面：一是整體風(fēng)險，即出行路線沿線的平均風(fēng)險；二是實時風(fēng)險，即當前定位處的實時風(fēng)險。整體風(fēng)險主要影響司機出行初始時刻的心理定位，而實時風(fēng)險則影響司機的隨機行為。

利用百度地圖API獲取了同一城區(qū)表征客觀環(huán)境的基礎(chǔ)數(shù)據(jù)點，并將生活服務(wù)、美食、購物數(shù)據(jù)點的權(quán)重p賦值為1，將樹林和工地的權(quán)重p分別賦值為-5和-2。利用ArcMap和Python對所有數(shù)據(jù)點進行核密度分析，得到固定客觀環(huán)境熱力圖及核密度計算結(jié)果，如圖2所示。任意位置(x,y)處的核密度f(x,y)的計算公式如下，

(3)

(4)

(5)

圖2 客觀環(huán)境熱力圖

每間隔100 m選取一個采集點，根據(jù)區(qū)域核密度分析計算結(jié)果，可以確定出行路線上任意一采集點的核密度值。本文依據(jù)所有采集點的核密度平均值計算整體風(fēng)險，依據(jù)實時定位處的核密度值計算實時風(fēng)險，利用Min-Max標準化方法對二者進行歸一化處理。

(6)

(7)

式中，Rf表示整體風(fēng)險，即路線沿線J個采集點核密度平均值的歸一化結(jié)果，f(xj,yj)為第j個采集點處的核密度值，f(xt,yt)為實時定位(xt,yt)處的核密度值，Rr表示實時風(fēng)險，即實時定位(xt,yt)處核密度值的歸一化結(jié)果，fmin表示當前區(qū)域核密度最小值，fmax表示當前區(qū)域核密度最大值。

2.3 時空條件的提取及建模

時空條件中出行特征主要指出發(fā)時刻t0、出行距離s等信息，可以直接通過網(wǎng)約車平臺獲取。由于網(wǎng)約車司機作案一般多發(fā)于夜晚，因此，本文以22:00作為最大值，以10:00作為最小值，對出發(fā)時刻進行歸一化處理。由于大部分網(wǎng)約車出行為城市內(nèi)部出行，因此，本文將100 km作為出行距離最大值，對出行距離進行歸一化處理，大于100 km的取值為1。

車輛實時行駛狀態(tài)主要指是否發(fā)生異常偏航和異常停車。出行過程中，偏航的原因有很多，包括道路復(fù)雜、司機不熟悉路線、前方發(fā)生重大擁堵需要繞行或切換路線等等。同樣，擁堵、拼車、信號控制等原因都會造成車輛靜止。因此，僅僅依據(jù)偏航距離(與目的地的距離差)或停車時間(靜止或低速行駛時間)，提高嚴重違法風(fēng)險計算結(jié)果，甚至直接進行預(yù)警，會大大提高誤判率，不僅增加平臺及公安部門的工作量，也會降低系統(tǒng)可信度。本文提出了基于常用行駛路線的異常偏航距離比和基于實時路況的異常停車時間比計算方法。

當司機偏航且并非切換至常用路線時，被認為是異常偏航。根據(jù)出行OD，利用百度地圖API獲取歷史最優(yōu)出行路線，包括不同工作日、非工作日下不同時段(早高峰、平峰、晚高峰、低峰)內(nèi)時間最短、距離最短、躲避擁堵等常用路線，得到常用路線集合L={L1,L2,…,LN}。設(shè)置異常偏航距離初始值為0(ds=0)，可能切換路線集合L′={L1,L2,…,LE}，可能切換路線數(shù)的初始值為E(E=N-1)，則異常偏航距離比的計算方法和步驟如下：

步驟一：依據(jù)公式(8)計算當前定位(xt,yt)與D點(xD,yD)之間的距離dDt、上一定位(xt′,yt′)與(xD,yD)之間的距離dDt′及二者之差ΔdDt。

(8)

步驟二：當ΔdDt>0時，跳至步驟三；否則返回結(jié)果為正常行駛，βd=0，跳至步驟一。

步驟三：依據(jù)公式(9)，依次計算當前定位(xt,yt)與各個常用路線的最短距離及其變化Δdpt。

Δdpt=d((xt,yt),Lp)-d((xt′,yt′),Lp),p=1,2,…,E

(9)

步驟四：p=1,2,…,E，依次判別Δdpt；當Δdpt≥0時，E=E-1，在L′中剔除Lp。

步驟五：若E>0，則返回至步驟一；否則跳至步驟六。

步驟六：令異常偏航距離ds=ΔdDt，異常偏航距離比(歸一化值)βd=ΔdDt/s，t=t+10，返回步驟一。

當實時路況為暢通，而車輛速度過低(小于5 km/h)時，被認為是異常停車。若行駛時間大于預(yù)計行程時間，則利用危險系數(shù)對異常停車時間進行擴大。利用百度地圖API和GPS終端(如手機)，可以獲取車輛的實時信息，包括速度vt，行駛時間T，預(yù)計行程時間T0，車輛所處路段的實時路況Slt：擁堵(0)、緩慢(1)、暢通(2)。設(shè)置異常停車時間初始值為0(ts=0)具體步驟如下：

步驟一：計算異常停車危險系數(shù)η，公式如下，

η=max (Tt/T0,1)

(10)

步驟二：實時判別路況和車速，當Slt=2且vt<5 km/h時，ts=ts+10，令異常停車時間ts′=ηts，異常停車時間比(歸一化值)βt=ts′/T0。

步驟三：t=t+10，返回步驟一。

3 嚴重違法概率模型構(gòu)建

3.1 基于層次分析的嚴重違法先驗概率計算

本文定量化司機特征聚類、客觀環(huán)境因素、時空條件等因素后，利用層次分析法，構(gòu)建嚴重違法先驗的概率計算模型。邀請32位公安部門的專家，憑借處理相關(guān)違法犯罪案件的經(jīng)驗，對不同類別司機的整體風(fēng)險Rf、實時風(fēng)險Rr、出發(fā)時刻t0、出行距離s、異常偏航距離比βd、異常停車時間比βt等6個因素進行重要性打分。以穩(wěn)步上升型司機為例，打分表格結(jié)構(gòu)、匯總表及最終平均分如表1所示。

表1 穩(wěn)步上升型司機嚴重違法因素相對重要性分值匯總表

根據(jù)表1可以得到第i個因素與第j個因素的相對重要性分值aij，令aji=1/aij，補充其他元素值，構(gòu)造判斷矩陣A，如表2所示。

表2 網(wǎng)約車司機嚴重違法概率預(yù)測判斷矩陣

確定判斷矩陣的最大特征值，并根據(jù)公式(11)計算一致性指標CI，查表確定平均隨機一致性指標RI，最后根據(jù)公式(12)計算一致性比例CR，具體結(jié)果如表3所示。

(11)

(12)

表3 一致性驗證結(jié)果

由表3可知，判斷矩陣通過一致性檢驗。利用算數(shù)平均法、幾何平均法和特征值法求出6個因素的權(quán)重，并計算其平均值。Rf、Rr、t0、s、βd、βt6個因素的權(quán)重分別為：0.06、0.14、0.07、0.09、0.31、0.33。同理，可以得到6個因素對其他兩種類型司機的權(quán)重。因此，不考慮其他情況和條件時，網(wǎng)約車司機嚴重違法的先驗值概率p(C)的計算公式如下，

(13)

3.2 基于貝葉斯理論的嚴重違法后驗概率計算

2017年10月至2020年10月網(wǎng)約車司機實施犯罪案例50起，同時隨機選取500個正常出行案例。按照年齡、性別和人數(shù)將乘客分為5類，統(tǒng)計每類乘客在正常出行中和司機刑事犯罪出行中的比例如表4所示，分別對應(yīng)已知出行正常時每類乘客的條件概率p(P|N)和已知司機刑事犯罪時每類乘客的條件概率p(P|C)。

表4 正常出行和司機刑事犯罪出行中不同類別乘客的比例

提取乘客信息，主要包括性別、年齡和人數(shù)，對乘客類別進行判斷。根據(jù)網(wǎng)約車司機嚴重違法概率先驗值和該類別乘客的條件概率，利用貝葉斯定理，計算網(wǎng)約車司機嚴重違法概率的后驗值。

(14)

式中，P表示乘客類別，P=1、2、3、4、5；p(C|P)表示已知乘客為類別P時，網(wǎng)約車司機嚴重違法概率值，p(N)表示司機未嚴重違法的概率。

4 風(fēng)險預(yù)警機制及實驗

4.1 四級風(fēng)險預(yù)警機制定義

依據(jù)嚴重違法概率大小和風(fēng)險預(yù)警對象(乘客、乘客緊急聯(lián)系人、網(wǎng)約車平臺和公安機關(guān))，相應(yīng)地建立四級預(yù)警機制，各級預(yù)警的條件和措施如表5所示。

(1)當p(C|P)>p3時，啟動四級預(yù)警：自動向乘客發(fā)出預(yù)警提醒和確認消息，提醒乘客注意司機駕駛行為，并確認司機是否有可疑行為，正常反饋ξ2=1，無反饋或有問題時ξ2=0。一般p3取值為0.4。

(2)當p3≤p(C|P)

(3)當p2≤p(C|P)

(4)當p(C|P)≥p1&ξ3ξ2ξ1=0時，啟動一級預(yù)警：自動向公安機關(guān)發(fā)送車輛及司機信息，公安機關(guān)利用卡口數(shù)據(jù)確認司機和乘客當前狀態(tài)。

表5 各級預(yù)警的條件和措施

4.2 結(jié)果分析

以滴滴樂清案件為例，司機類別為Ⅲ，乘客類別為Ⅳ，各個關(guān)鍵節(jié)點對應(yīng)的時刻、定位、6個因素取值、嚴重違法概率預(yù)測值及預(yù)警情況如表6所示。根據(jù)表6，對幾點重要內(nèi)容解釋如下：

(1)路線的整體風(fēng)險較高，在進入盤山公路之后，實時風(fēng)險顯著提高，這是因為網(wǎng)約車司機選擇了人跡罕至的山路，并逐漸遠離出發(fā)地點。

(2)異常偏航距離比都較低，這是因為該路線雖是山路，但同時屬于最短距離路線，另外網(wǎng)約車司機一直在路線沿線往返作案，無法將其判別為偏航或者異常偏航。

(3)13:50進入楊嶺公路后，實時風(fēng)險顯著增加，嚴重違法概率值達到閾值p3，向乘客發(fā)出四級預(yù)警，并得到乘客反饋。

(3)14:09進入石角龍村后，實時風(fēng)險增加，嚴重違法概率值達到閾值p2，向緊急聯(lián)系人發(fā)出三級預(yù)警，并得到緊急聯(lián)系人反饋。

(4)14:14進入江岙村后，嚴重違法概率值雖未達到閾值p1，但是乘客、緊急聯(lián)系人反饋均為0，向平臺發(fā)出二級預(yù)警。

(5)14:32異常停車時長比顯著增加，嚴重違法概率值達到閾值p1，同時乘客、緊急聯(lián)系人反饋均為0，向公安部門發(fā)出一級預(yù)警。

(6)系統(tǒng)發(fā)出一級預(yù)警到網(wǎng)約車司機殺害乘客，有18分鐘的救援時間。雖然時間較短，但是一方面，緊急聯(lián)系人和公安部門已獲取車輛相關(guān)信息；另一方面，距離上江岙3 km的位置設(shè)有巡防隊。這些均能為乘客提供救援機會。

表6 各個關(guān)鍵節(jié)點嚴重違法概率預(yù)測結(jié)果

5 結(jié)束語

本文首先采用K-means算法對網(wǎng)約車司機進行聚類分析，得到3個類別的司機；利用核密度分析法將定性的客觀環(huán)境因素轉(zhuǎn)換定量的嚴重違法風(fēng)險；利用異常偏航距離比和異常時間比計算算法，將時空條件轉(zhuǎn)化為異常偏航距離比和異常停車距離比。其次，通過調(diào)查問卷和層次分析法，得到各個因素的權(quán)重，建立網(wǎng)約車司機嚴重違法先驗概率模型；根據(jù)不同類別乘客的比例，利用貝葉斯定理，計算網(wǎng)約車司機嚴重違法后驗概率值。最后，建立網(wǎng)約車司機嚴重違法四級預(yù)警系統(tǒng)，并利用滴滴樂清案件，對預(yù)警系統(tǒng)進行驗證。實驗結(jié)果表明，本文提出的嚴重違法風(fēng)險預(yù)警系統(tǒng)能夠較為準確地預(yù)測網(wǎng)約車司機嚴重違法概率，為及時防范、發(fā)現(xiàn)并制止嚴重違法行為提供可能。

本研究主要創(chuàng)新點如下：

(1)與現(xiàn)有研究相比，增加了網(wǎng)約車司機特征和乘客特征因素，改進了異常偏航距離和異常停車時間計算方法，并利用不同數(shù)據(jù)分析方法實現(xiàn)多維時空數(shù)據(jù)融合，提高司機嚴重違法概率預(yù)測結(jié)果的合理性和精度；

(2)與現(xiàn)有研究相比，通過考慮不同對象，增加了預(yù)警級別，建立了四級預(yù)警機制，充分利用不同面向?qū)ο蟮膶崟r反饋，提高預(yù)警結(jié)果的可靠性和有效性，同時保證救援的及時性。

后續(xù)研究工作將從以下幾方面進行：

(1)通過數(shù)據(jù)分析，自動確定嚴重違法概率閾值，而非經(jīng)驗設(shè)置；

(2)考慮多種異常情況，例如網(wǎng)約車司機在出行沿線作案，改進異常偏航距離比計算算法，在保證算法準確度的基礎(chǔ)上提高算法靈敏度；

(3)挖掘并還原更多的犯罪案件細節(jié)，增加實驗分析。