在旧金山举行的KDD2016学术会议上，罗格斯大学的熊辉等学者向大家报告了他们的研究论文 Catch Me If You Can：Detecting Pickpocket Suspects from Large-Scale Transit Records 。论文报道在2014年的前9个月就有350个扒手在地铁交通系统上被抓，490个扒手在公交车上被抓。因此，他们对北京智能公交一卡通数据的分析研究，根据异常交通记录分析来抓小偷。研究中共使用了北京市2014年4-6月三个月间600万乘客的约16亿智能公交一卡通数据记录。如下图所示，熊辉等将北京划分为多个小的局部的功能区块，并分析了896条地铁线经过的44524个公交车站和18条地铁线经过的320个地铁站的数据。首先，从每个人的日常出现记录中提取特征；然后，进行无监督的异常行人检测和有监督的模式分类，从而挖掘出异常的出行轨迹。

挖掘结果分析

在谈到 根据异常交通记录分析抓小偷 方法的基本原理时，熊辉进一步解释，通过数据分析，可以看出很多人从热点区域A，到热点区域B的交通轨迹，对这些轨迹观察后，可以看到绝大多数的行人会选择最优的交通方式，比如，最短时间、距离，或者最少的换乘。但是，一个行人（嫌疑人）选择的交通路线为A－＞C－＞D－＞B。

熊辉认为， A－＞C－＞D－＞B 这是一种异常的交通方式，对上述异常行为需要进一步地仔细分析，如果该人的异常行为足够多，那么他很可能是一名扒手。

熊辉公布了他们的研究结果，如下表所示，利用TS-SVM算法，可以达到92.7%的召回率（即能够正确地识别出92.7%的小偷），但是遗憾的是他们的精确度有点低（也就是说算法的虚警率较高）。

另外，论文还给出了工作日早上8：00-11：00的四种出行模型，如下图所示。

（a）正常的出行者，可以看出他们主要在居住地、工作地、途经区域活动。

（b）旅游者，可以看出他们频繁地访问圆明园、天安门、南锣鼓巷等景点区域。

（c）购物者，可以看出他们主要访问王府井、西单等购物区域。

（d）扒手，他们是一种流浪的模式，没有清晰的目的地，他们频繁地换乘，随机的停留，经常进行短途的出行。他们还（一段时间内）频繁地访问多种功能区：交通枢纽（例如西直门）、购物区（例如王府井）、景点（例如鼓楼）。对于正常人而言，他们短时间内只访问一个/一种功能区。