[发明专利]一种基于半监督学习的道路交通状态判别方法

摘要

本发明的基于半监督学习的道路交通状态判别方法，包括：a)采集道路及上、下游路口的交通流数据；b)对交通状态进行标记；c)生成标记训练集；d)生成标记训练集、；e)利用、、对3种基分类器进行训练；f)选取个未标记样本；g)协同训练基分类器；h)重复执行步骤g)，直至协同训练完毕。本发明的道路交通状态判别方法，首先利用已标记的交通流数据对分类器进行训练，然后利用未标记的交通流数据进行协同训练，充分利用了节省成本的未标记数据，有利于形成更加准确的基分类器，提高交通状态判别的正确率，提升交通管理、决策、规划和运营的正确性和智能交通信息服务的质量。

主权项

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。