Einsatz von Machine Learning zur Missbrauchsdetektion in Automatischen Ticketing-Systemen
Mit der Einführung intelligenter Ticketing-Lösungen wie Check-In-Check-Out Systemen im öffentlichen Verkehr entstanden neue Herausforderungen hinsichtlich der Missbrauchsdetektion. Innovative Technologien wie Machine Learning bieten dabei effektive Lösungsansätze.
Ticketing-Systeme im öffentlichen Verkehr nutzen verschiedene Methoden wie Check-In/Check-Out (CICO) und Be-in/Be-out (BIBO), um die Reiserouten der Nutzenden über GPS-Daten zu erfassen und die Fahrtkosten präzise zu berechnen. Obwohl diese Technologien grosse Vorteile bieten, eröffnen sie auch Potenziale für Missbrauch und Manipulation.
Risiken der Digitalisierung im öffentlichen Verkehr
Die Genauigkeit und Fairness der Tarifberechnung kann durch Manipulation von GPS-Daten oder andere Tricks beeinträchtigt werden, was eine erhebliche Herausforderung für die Verkehrsbetriebe darstellt. Um dem Missbrauch entgegenzuwirken, haben viele Betriebe fortschrittliche Technologien integriert.
Innovation durch Machine Learning
Zur Bekämpfung solcher Missbrauchsfälle setzen immer mehr Verkehrsbetriebe auf Machine Learning-Technologien. Der Einsatz eines Klassifikationsverfahren war aufgrund der Qualität der Trainingsdaten sowie einem ungünstigen Verhältnis von Missbrauchsfälle zu gültigen Fahrten kein gangbarer Weg. Daher wurde ein Unsupervised Machine Learning Ansatz gewählt. Das System lernt aus historischen Daten, was normale und was verdächtige Fahrten charakterisiert und identifiziert Ausreisser. Die besten Resultate zeigten sich mit dem Isolation Forest Algorithmus. Die Implementierung der Machine Learning Pipelines erfolgte auf Microsoft Azure.
Die Erfahrungen aus diesen Projekten bieten eine wertvolle Grundlage für zukünftige Implementierungen in ähnlichen Systemen, und zeigen das Potenzial von Machine Learning zur Verbesserung der Sicherheit und Effizienz in automatisierten Ticketing-Systemen auf.
