面向高速公路交通事件检测的数据中心化弱监督学习
机器学习
2022-08-04 v2
摘要
利用环形检测器传感器数据近实时检测高速公路交通事件对于避免重大交通拥堵至关重要。尽管近期监督机器学习方法通过利用人工标注的事件数据提供了事件检测方案，但其误报率通常过高而无法实际应用。具体而言，事件人工标注的不一致性显著影响了监督学习模型的性能。为此，我们聚焦于一种数据中心化方法，以提升高速公路交通事件检测的准确率并降低误报率。我们开发了一种弱监督学习工作流，在无真实标签的情况下为事件数据生成高质量训练标签，并将这些生成的标签用于监督学习设置中进行最终检测。该方法包含三个阶段。首先，我们引入数据预处理与整理流水线，通过利用标注函数（可与领域知识相关或基于简单启发式规则）处理交通传感器数据以生成高质量训练数据。其次，我们使用三种监督学习模型——随机森林、k近邻和支持向量机集成——以及长短期记忆分类器评估弱监督生成的训练数据。结果显示，在使用弱监督生成的训练数据后，所有模型的准确率均显著提升。第三，我们开发了一种在线实时事件检测方法，在检测事件时利用模型集成与不确定性量化。总体而言，我们表明所提出的弱监督学习工作流实现了高事件检测率（0.90）和低误报率（0.08）。
引用
@article{arxiv.2112.09792,
title = {A data-centric weak supervised learning for highway traffic incident detection},
author = {Yixuan Sun and Tanwi Mallick and Prasanna Balaprakash and Jane Macfarlane},
journal= {arXiv preprint arXiv:2112.09792},
year = {2022}
}