[論文レビュー] Ridesourcing Car Detection by Transfer Learning

Leye Wang, Geng Xu+5 more|arXiv (Cornell University)|May 23, 2017

Human Mobility and Location-Based Analysis参考文献 23被引用数 7

ひとこと要約

本稿では、ラベル付きライドシェアリング車両データを必要とせずに、車両の軌跡からライドシェアリング車両を検出するための2段階の転移学習フレームワークを提案する。公共のタクシーおよびバスの軌跡を活用して、共通訓練ループ内でランダムフォレストと畳み込みニューラルネットワークを訓練することで、教師あり学習に匹敵する検出精度を達成し、不正なライドシェアリング活動のスケーラブルな規制を可能にする。

ABSTRACT

Ridesourcing platforms like Uber and Didi are getting more and more popular around the world. However, unauthorized ridesourcing activities taking advantages of the sharing economy can greatly impair the healthy development of this emerging industry. As the first step to regulate on-demand ride services and eliminate black market, we design a method to detect ridesourcing cars from a pool of cars based on their trajectories. Since licensed ridesourcing car traces are not openly available and may be completely missing in some cities due to legal issues, we turn to transferring knowledge from public transport open data, i.e, taxis and buses, to ridesourcing detection among ordinary vehicles. We propose a two-stage transfer learning framework. In Stage 1, we take taxi and bus data as input to learn a random forest (RF) classifier using trajectory features shared by taxis/buses and ridesourcing/other cars. Then, we use the RF to label all the candidate cars. In Stage 2, leveraging the subset of high confident labels from the previous stage as input, we further learn a convolutional neural network (CNN) classifier for ridesourcing detection, and iteratively refine RF and CNN, as well as the feature set, via a co-training process. Finally, we use the resulting ensemble of RF and CNN to identify the ridesourcing cars in the candidate pool. Experiments on real car, taxi and bus traces show that our transfer learning framework, with no need of a pre-labeled ridesourcing dataset, can achieve similar accuracy as the supervised learning methods.

研究の動機と目的

• プライバシーまたは法的制限のため、ライドシェアリングのライセンス取得済みデータが入手できない都市部において、不正なライドシェアリング車両を検出する課題に対処すること。
• 公共のタクシーおよびバスの軌跡データのみを知識源として用いることで、スケーラブルで実装可能なライドシェアリング車両検出手法を開発すること。
• 公共輸送の軌跡から知識を転移させることで、ライドシェアリングデータのラベルが欠如している状況を克服し、一般車両におけるライドシェアリング行動を同定すること。
• 軌跡に基づく特徴を用いて、ランダムフォレストと畳み込みニューラルネットワークの両分類器を繰り返し精練する共通訓練フレームワークを設計すること。
• ライドシェアリングが違法または規制されていない都市において、オープンでアクセス可能なデータソースに依存することで、ライドシェアリング規制ツールの実用的導入を可能にすること。

提案手法

• タクシーおよびバス両者に共通する特徴（速度、停止頻度、ルートの規則性、空間的カバー範囲など）を共有表現として用いる軌跡特徴を活用する。
• 第1段階では、ラベル付きタクシーおよびバスの軌跡を用いてランダムフォレスト分類器を訓練し、候補となる車両のライドシェアリング状態を予測し、全プールに対して擬似ラベルを生成する。
• 第2段階では、信頼度の高い擬似ラベルを備えた車両サブセットを用いて、軌跡シーケンスの畳み込みニューラルネットワーク（CNN）分類器を訓練する。
• RFおよびCNN分類器が予測を相互に精練し合い、相互学習を通じて特徴表現を共同で向上させる共通訓練ループを実装する。
• RFおよびCNNの予測を統合する最終的なアンサンブルモデルを構築し、耐性および検出精度を向上させる。
• 両モデルおよび特徴セットの反復的精錬を実施し、不完全なタクシーデータに起因するノイズを低減し、一般化性能を向上させる。

実験結果

リサーチクエスチョン

• RQ1 公開利用可能なタクシーおよびバスの軌跡から、ラベル付きライドシェアリングデータが一切ない状況でも、ライドシェアリング車両の検出に有効に知識を転移できるか？
• RQ2 ラベル付きライドシェアリングデータが完全に利用できない状況において、転移学習フレームワークの性能は教師あり学習と比べてどの程度か？
• RQ3 ランダムフォレストと畳み込みニューラルネットワークの間で実施する共通訓練戦略が、反復的精錬を通じて検出精度をどの程度向上できるか？
• RQ4 実世界のオープンデータセットに一般的に見られるノイズや遅延のあるタクシー軌跡データに対して、本手法はどの程度の耐性を示すか？
• RQ5 ライドシェアリングが違法または規制されていない都市において、公式データが欠如している状況でも、本フレームワークは一般化可能か？

主な発見

• 提案された転移学習フレームワークは、事前にラベル付きライドシェアリングデータが一切ない状況でも、教師あり学習手法と同等の検出精度を達成した。
• ランダムフォレストと畳み込みニューラルネットワークの間で実施する共通訓練プロセスにより、予測と特徴表現の反復的精錬が分類性能を顕著に向上させた。
• 停止頻度、ルートの規則性、空間的カバー範囲といった軌跡特徴は、一般車両の使用行動とライドシェアリング行動を効果的に区別できた。
• タクシーデータが遅延または不完全であっても、本手法は実世界のデータ品質問題に対して耐性を示し、有効に機能した。
• ランダムフォレストとCNNのアンサンブルモデルは、個々のモデルを上回る性能を示し、木ベースとディープラーニングアプローチの組み合わせの利点を裏付けた。
• 本フレームワークにより、ライドシェアリングデータが入手不能または制限されている都市においても、大規模かつプライバシー保護型のライドシェアリング車両検出が可能になった。