京東金融在KDD2018發(fā)表5篇論文 以前沿成果破解應(yīng)用難題

一年一度KDD。

8月19-23日，國際數(shù)據(jù)挖掘頂級(jí)會(huì)議KDD2018在英國倫敦正式召開，大約3000名來自世界各地的頂級(jí)學(xué)者和知名企業(yè)代表齊聚一堂，展示了各自在數(shù)據(jù)科學(xué)領(lǐng)域的最新技術(shù)與成果。由京東金融副總裁、首席數(shù)據(jù)科學(xué)家鄭宇博士發(fā)起創(chuàng)辦的國際城市計(jì)算論壇(International Workshop on Urban Computing)在大會(huì)上如期召開，吸引了眾多頂級(jí)學(xué)者參與，共同探討大數(shù)據(jù)和人工智能在城市計(jì)算領(lǐng)域的先進(jìn)科研成果，成功實(shí)踐案例，彰顯了國際學(xué)界對城市計(jì)算的高度關(guān)注。

京東全面亮相KDD大會(huì)，并以發(fā)表10篇論文的成績展示了中國技術(shù)發(fā)展的“京東力量”， 其中，京東金融共有4篇論文被KDD大會(huì)收錄，這四篇論文均出自京東金融城市計(jì)算事業(yè)部，相關(guān)作者受邀出席大會(huì)并做技術(shù)報(bào)告。此外，京東金融風(fēng)險(xiǎn)管理部還有一篇論文被KDD上的“圖的挖掘與學(xué)習(xí)國際研討會(huì)”收錄。

KDD大會(huì)的投稿量逐年攀升，今年的接收率僅為18.4%。京東金融的相關(guān)學(xué)術(shù)成果何以在KDD期間贏得廣泛贊譽(yù)，首要的原因是這些成果將創(chuàng)新的技術(shù)和落地的應(yīng)用有機(jī)融合。下面，就讓我們來看看，京東金融的這五篇論文都取得了哪些成果。

1、中文標(biāo)題：基于對等和時(shí)間感知的表示學(xué)習(xí)的駕駛行為分析

英文標(biāo)題：You Are How You Drive: Peer and Temporal-Aware Representation Learning for Driving Behavior Analysis

摘要：

車輛駕駛是一種需要多種技巧的復(fù)雜行為，合理有效的分析挖掘司機(jī)的駕駛行為，能夠幫助我們評估一個(gè)司機(jī)的駕駛技能，進(jìn)而也能幫助評估城市每塊區(qū)域或路段每一時(shí)刻的路面駕駛安全系數(shù)，幫助檢測出高風(fēng)險(xiǎn)區(qū)域路段，提升交通安全，促進(jìn)城市智能交通系統(tǒng)的發(fā)展。

某一時(shí)間，計(jì)算某一區(qū)域內(nèi) ，位置處于當(dāng)前區(qū)域的司機(jī)的 driving score的平均值。分?jǐn)?shù)越高越安全，越低越危險(xiǎn)。這是業(yè)內(nèi)首次實(shí)現(xiàn)對司機(jī)駕駛行為以及危險(xiǎn)區(qū)域的實(shí)時(shí)評估。

分析司機(jī)的駕駛行為并預(yù)判某一區(qū)域的交通風(fēng)險(xiǎn)，有著顯著的社會(huì)應(yīng)用價(jià)值： 首先， 對交通管理部門說，提前對危險(xiǎn)區(qū)域作出預(yù)判，及時(shí)疏導(dǎo)，為決策提供支持，優(yōu)化資源的調(diào)配，例如信號(hào)燈、警示牌、醫(yī)療單位的位置規(guī)劃等; 其次，對保險(xiǎn)公司來說，可以根據(jù)司機(jī)的駕駛行為，使調(diào)整保費(fèi)策略更加合理;第三，對提供地圖和導(dǎo)航服務(wù)的企業(yè)來說，在提供導(dǎo)航服務(wù)時(shí)，可以根據(jù)危險(xiǎn)區(qū)域的預(yù)判，對路線進(jìn)行調(diào)整，完善自身的服務(wù);最后，對司機(jī)個(gè)人來說，driving score的變化，對調(diào)整自己的駕駛行為和駕駛習(xí)慣有指導(dǎo)意義，可以幫助司機(jī)形成安全駕駛的良好習(xí)慣。

2、中文標(biāo)題：共享單車動(dòng)態(tài)調(diào)度：時(shí)空數(shù)據(jù)上的強(qiáng)化學(xué)習(xí)模型

英文標(biāo)題：Dynamic Bike Reposition: A Spatio-Temporal Reinforcement Learning Approach

摘要：

共享單車在城市中越來越普及，便利城市出行的同時(shí)也給單車運(yùn)營帶來諸多問題：部分區(qū)域存在大量單車擁堵，而另一些區(qū)域卻沒有可供使用的單車?，F(xiàn)階段，單車運(yùn)營商采用小型三輪車在城市各區(qū)域之間持續(xù)地進(jìn)行單車調(diào)度來解決上述問題。我們提出了一種基于時(shí)空數(shù)據(jù)的強(qiáng)化學(xué)習(xí)模型來實(shí)時(shí)地指導(dǎo)城市內(nèi)的各個(gè)三輪車進(jìn)行協(xié)作、高效、長期最優(yōu)地單車調(diào)度。

從應(yīng)用層面來看，由于我們更好地考慮了實(shí)際調(diào)度中的不確定因素，通過上述方法進(jìn)行單車調(diào)動(dòng)，相較于傳統(tǒng)模型可以大幅提升調(diào)度效率，，從而減少用戶想找車卻找不到的情況發(fā)生，使得單車系統(tǒng)服務(wù)的人數(shù)實(shí)現(xiàn)最大化，且進(jìn)一步提升用戶體驗(yàn)。

3、中文標(biāo)題：基于深度分布式融合網(wǎng)絡(luò)的空氣質(zhì)量預(yù)測

英文標(biāo)題：Deep Distributed Fusion Network for Air Quality Prediction

摘要：

隨著城市化的快速發(fā)展，中國的大多數(shù)城市正經(jīng)歷著嚴(yán)重的空氣污染問題。預(yù)測未來空氣質(zhì)量不僅可以幫政府更好地做出決策，也可以幫助人們規(guī)劃未來出行計(jì)劃?；诳諝赓|(zhì)量數(shù)據(jù)、氣象數(shù)據(jù)和天氣預(yù)報(bào)數(shù)據(jù)，借助大氣科學(xué)領(lǐng)域的專業(yè)知識(shí)，我們提出了一種基于深度學(xué)習(xí)的預(yù)測方法DeepAir來預(yù)測未來48小時(shí)細(xì)粒度空氣質(zhì)量。

中國于 2012 年開始對 PM2.5 進(jìn)行監(jiān)控，在 5 年前，可用數(shù)據(jù)點(diǎn)只有幾千個(gè)，小樣本問題是進(jìn)行預(yù)測的一大障礙。如今，全國有超過 200 個(gè)城市、數(shù)千個(gè)站點(diǎn)在以小時(shí)為單位記錄空氣質(zhì)量數(shù)據(jù)，數(shù)據(jù)量的極大豐富讓研究者思考深度學(xué)習(xí)能否更好地解決問題。研究者發(fā)現(xiàn)深度學(xué)習(xí)在拐點(diǎn)預(yù)測方面有較大提升。

空氣質(zhì)量預(yù)測既需要考慮到大顆粒懸浮物，也要考慮污染物，是一項(xiàng)“既要看天，也要看人”的時(shí)空細(xì)粒度預(yù)測，它影響因素眾多，且不可直接觀測，需要應(yīng)用機(jī)器學(xué)習(xí)模擬諸多影響因素的變化。在空氣質(zhì)量預(yù)測中，拐點(diǎn)預(yù)測尤為重要：它與工廠停工、學(xué)生停課等城市管理決策執(zhí)行息息相關(guān)。

在深度學(xué)習(xí)處理時(shí)空數(shù)據(jù)時(shí)，數(shù)據(jù)轉(zhuǎn)化和屬性捕捉是兩大重點(diǎn)。深度分布式融合網(wǎng)絡(luò)設(shè)計(jì)了針對空氣質(zhì)量指數(shù)的特定的數(shù)據(jù)歸集合并的方法，進(jìn)行數(shù)據(jù)維度對齊和濾噪，然后把氣象、 天氣、其他污染物等因素引入，進(jìn)行嵌入(embedding)后，利用不同的融合網(wǎng)絡(luò)分別學(xué)習(xí) AQI 受整體和各因素分別的影響權(quán)重，最后得出預(yù)測結(jié)果。這種方法很好地捕捉了空氣質(zhì)量驟變。準(zhǔn)確率提高到接近 50%。

預(yù)測未來48小時(shí)細(xì)粒度空氣質(zhì)量,不僅是讓居民精確知曉自己周邊的空氣質(zhì)量如何、更健康的規(guī)劃出行，還可幫助政府追溯污染源，并科學(xué)決策控制污染的措施。

4、中文標(biāo)題：利用共享單車軌跡數(shù)據(jù)的違章停車檢測

英文標(biāo)題：Detecting Vehicle Illegal Parking Events using Sharing Bikes' Trajectories

摘要：

違章停車是大城市中普遍存在的問題。占道的違章停車引起交通擁堵，也會(huì)引發(fā)交通事故。僅僅通過目前的交警巡邏、攝像監(jiān)控方案，很難覆蓋整個(gè)城市，并且會(huì)耗費(fèi)的不小的人力物力。近年來，共享單車的興起產(chǎn)生了大量且質(zhì)量高的軌跡數(shù)據(jù)，為我們檢測違章停車提供了新的機(jī)遇。因?yàn)槲覀冇^察到，大多數(shù)違章停車發(fā)生在路邊，會(huì)對自行車騎行軌跡造成影響。為此，我們提出了基于共享單車軌跡數(shù)據(jù)的違章停車檢測技術(shù)。

這項(xiàng)工作包括一個(gè)預(yù)處理模塊，進(jìn)行有針對性的相應(yīng)軌跡清洗、路網(wǎng)匹配、軌跡索引;以及一個(gè)檢測模塊，基于假設(shè)檢驗(yàn)與軌跡融合進(jìn)行檢測。

在預(yù)處理部分，通過路網(wǎng)匹配去掉了匹配到高速路等自行車罕至地域的軌跡、與道路幾乎垂直的、偏離道路過遠(yuǎn)的軌跡，同時(shí)因?yàn)檫`章停車對正向和反向騎行的自行車影響程度不同，因此將軌跡按其行進(jìn)方向分開，用不同的模型分別刻畫。

在檢測部分，主要強(qiáng)調(diào)三點(diǎn)考量：1. 不區(qū)分不同模式的違章停車，將其全部視為一類。將其多樣性內(nèi)化。2. 不檢測單條軌跡，而是把不同軌跡合在一起進(jìn)行一次判斷，排除可能影響單條軌跡的諸多誤差。3. 對每條路單獨(dú)建模，排除不同地區(qū)障礙物不同帶來的 GPS 誤差分布差異。檢測模型將深夜的自行車軌跡視為基線數(shù)據(jù)，然后用 KS 檢驗(yàn)判斷白天與深夜的樣本是否處于同一個(gè)分布，輸出一個(gè)屬于同一分布的置信度，然后用真實(shí)違停檢驗(yàn)數(shù)據(jù)集確定分類的閾值。

這項(xiàng)研究的成果已經(jīng)投入實(shí)際應(yīng)用,能夠?qū)崟r(shí)檢測整個(gè)城市里面什么地方出現(xiàn)了違章停車，不需要派管理員去看就能夠自動(dòng)識(shí)別,然后把有限的人力精準(zhǔn)地投放到那些違章的路段。交管人員從“掃街”式監(jiān)管，變成針對核心路段重點(diǎn)監(jiān)測，提高了效率，節(jié)省了人力，有助于治理違章停車現(xiàn)象。

5、中文標(biāo)題：可伸縮異構(gòu)圖上群體欺詐檢測

英文標(biāo)題：HGsuspector: Scalable Collective Fraud Detection in Heterogeneous Graphs

摘要：圖可以直接地表示對象之間的關(guān)系，在學(xué)術(shù)界和產(chǎn)業(yè)界取得了廣泛關(guān)注。但是目前的研究成果主要集中在同構(gòu)圖和二分圖上，然而這些算法卻很難應(yīng)用在實(shí)際的場景中。因?yàn)樵诂F(xiàn)實(shí)世界中，對象類型和關(guān)系是多種多樣的，數(shù)據(jù)的數(shù)量可能非常大。本文針對“黑產(chǎn)”的特點(diǎn)，提出了一種可伸縮有向異構(gòu)圖上的集體欺詐檢測算法。首先將有向異構(gòu)圖分解成一組二分圖，然后對每個(gè)連通的二分圖定義一個(gè)度量，該度量融合結(jié)構(gòu)信息和事件概率。通過在分?jǐn)?shù)空間的統(tǒng)計(jì)或其他異常檢測算法可以得到區(qū)分正常和異常的閾值。

上述科研成果已經(jīng)轉(zhuǎn)化為實(shí)際應(yīng)用，我們提出了電子商務(wù)場景下的群體欺詐檢測的技術(shù)解決方案，并成功應(yīng)用于京東電子商務(wù)平臺(tái)，實(shí)現(xiàn)了對集體欺詐的實(shí)時(shí)檢測。在擁有數(shù)十億個(gè)節(jié)點(diǎn)和邊緣的真實(shí)數(shù)據(jù)集上的實(shí)驗(yàn)表明，該方法比此前最先進(jìn)的方法更加精確和快速，可以更有效地打擊 “黑產(chǎn)”分子，維護(hù)網(wǎng)絡(luò)安全。

對于京東金融而言，參與頂級(jí)學(xué)術(shù)會(huì)議不僅是為了與學(xué)術(shù)界交流學(xué)術(shù)成果、展現(xiàn)自身科研實(shí)力，而且是為了分享創(chuàng)新成果，緊密地把學(xué)術(shù)成果與應(yīng)用落地相結(jié)合，以開放的態(tài)度，加速科研成果的應(yīng)用轉(zhuǎn)化，為全社會(huì)創(chuàng)造更大價(jià)值。

生成海報(bào)

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實(shí)，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。