23、行人动态自动测量的挑战与解决方案

行人动态自动测量的挑战与解决方案

1. k - 匿名性方法

1.1 问题与处理

在行人动态自动测量中，k - 匿名性是一种保护隐私的方法。但检测到的假名截断可能会产生多假名，而这些多假名对应的检测假名数量少于 k 个。此时，只能丢弃这些多假名及其相关检测假名的计数，这会严重影响行人计数的准确性。

为了保留 k - 匿名性，可对检测到的假名进行重新映射。一种简单的方法是为前 k 个违反 k - 匿名性的检测假名生成一个未使用的多假名，再为接下来的 k 个检测假名生成另一个未使用的多假名，以此类推。不过，这种方法在单一场所效果较好，若要统计从位置 A 到位置 B 的行人数量，就会丢失在 A 处检测到的信息。

1.2 修正方法

采用一种系统的映射方法，即修正方法。假设传感器在特定时期有 n 个违反 k - 匿名性的假名，先对这 n 个假名进行排序，然后仅保留前 ⌊n/k⌋ 个。利用剩余的 n - ⌊n/k⌋ 个违反假名，系统地增加剩余每个顶级违反假名的计数。这样，原则上几乎不会丢失其他违反假名的计数。而且，如果在位置 A 和 B 都使用此过程，两个位置会将相同的多假名分配给相同的检测假名。

1.3 评估

使用模拟和真实世界数据对该设置进行评估，真实世界数据采用北京地铁出行数据，该数据集可用于模拟基于 WiFi 的检测。将不同时期长度、截断假名大小以及不同的 k 值应用于 k - 匿名性算法，将进出站计数器视为传感器，每个计数器应用算法并将 k - 匿名化数据发送到中央服务器。

对于孤立轨迹，统计两个位置之间的行程数量准确性较高。一般来说，k 值越低，结果越好，但这部分是由于一