[发明专利]一种基于半监督学习的道路交通状态判别方法

权利要求书

1.一种基于半监督学习的道路交通状态判别方法，其特征在于，包括以下步骤：

a).采集交通流数据，采集道路及其上游路口、下游路口的交通流数据，所采集的交通流数据包括交通流量                                               、时间占有率和车辆速度；设时刻待预测道路上的交通流数据分别为、、，上游路口、下游路口的交通流数据分别为、、和、、，其中：，为所采集的交通流数据的数目； 

b).人工标记样本，通过人工观察视频监测数据或现场观察的方式，对步骤a)中采集的部分道路交通流数据对应的交通状态进行标注，生成个交通状态，由此生成训练测试样本集,样本集表示为：

其中，时刻交通流样本参数为：

交通状态取值为畅通、拥挤或堵塞，；为判断时刻道路交通状态所需的历史采样时间点个数；

c).生成标记训练集，从样本集中随机有放回地抽取个样本，形成一个有标记训练集，≤；

d).重复生成标记训练集，采用与步骤c)中相同的方法，再形成两个有标记的训练集、，训练集和的样本数也均为；

e).训练基分类器，选择3种基分类器，利用训练集、、分别对3种基分类器进行训练；训练方法为：将当前道路的交通流样本输入参数、上游及下游路口的交通流样本输入和综合起来作为各基分类器的输入，用表示，交通状态作为各分类器的输出，对基分类器进行训练，形成训练后的基分类器；

f).选取未标记样本，从未经人工标记交通状态的交通流数据中选取个样本，以便对3个基分类器进行协同训练；

g).协同训练基分类器，如果任意两个训练后的基分类器对同一个未标记样本的交通流输入参数所预测的交通状态结果相同，则表明该样本具有较高的标识置信度，对该样本标记后加入第三个基分类器的有标记训练集，形成新的训练集，并对第三个分类器重新进行训练；如果3个分类器对同一样本的预测一致，则将该样本标记后，各基分类器均不变；如果3个分类器对同一样本的预测结果均不相同，则对该样本不做标记，各基分类器均不变；

h).重复执行步骤g)，直至个未经人工标记样本全部参与协同训练，以使3个基分类器不再有变化，协同训练过程结束。

2.一种根据权利要求1所述的基于半监督学习的道路交通状态判别方法，其特征在于，还包括以下的交通状态判别过程：

1).采集待预测交通流数据，采集待预测道路及其上、下游路口的交通流数据，交通流数据包括交通流量、时间占有率和车辆速度，获得待预测道路的交通流数据样本；

2).获取交通状态，将步骤1)中获取的待预测道路的交通流数据作为步骤h)中获取的3个基分类器的输入，分别获取3个交通状态；

3).确定交通状态，对于步骤2)中获取的交通状态，利用少数服从多数的投票法确定当前道路的交通状态。

3.根据权利要求1或2所述的基于半监督学习的道路交通状态判别方法，其特征在于，步骤g)中所述的协同训练基分类器通过以下步骤来实现：

g-1).将未经人工标记的交通流数据样本作为三个基分类器的输入，并求出输出的交通管理状态，设第一、第二、第三个基分类器的输出状态分别为、、；

g-2).判断与是否相同，如果，则执行步骤g-3)；如果，则执行步骤g-4)；

g-3). 时，判断与输出状态是否相同，如果，则对该样本标记后，基分类器不变；如果，则将该样本标记后加入第三个基分类器的有标记训练集，形成新的训练集对第三个基分类器重新进行训练；

g-4). 时，判断输出状态与是否相同，如果，则将该样本标记后加入第二个基分类器的有标记训练集，形成新的训练集对第二个基分类器重新进行训练；如果，则执行步骤g-5)；

g-5). 且时，判断输出状态与是否相同，如果，则将该样本标记后加入第一个基分类器的有标记训练集，形成新的训练集对第一个基分类器重新进行训练；如果，则对该训练集不做标记，基分类器均不变。

4.根据权利要求1或2所述的基于半监督学习的道路交通状态判别方法，其特征在于：步骤e)中所述的3种基分类器分别为贝叶斯网络、决策树和支持向量机。