基于自适应 Boosting SVM 的大交通数据自动事件分类
机器学习
2015-12-29 v2
摘要
现代城市在空间和时间上经常经历繁重的交通流和拥堵。监测交通状况成为交通控制与监控系统（TCSS）的一项重要挑战。在先进的 TCSS 中，自动检测和分类不同的交通事件（如拥堵严重程度、异常驾驶模式、道路上突然或非法停车等）是有益的。尽管大多数 TCSS 都配备了基本的事件检测算法，但它们过于粗糙，无法真正作为进一步分类的自动化工具。在文献中，缺乏对自动事件分类（AIC）的研究。因此，本文提出了一种新颖的 AIC 方法来应对这些挑战。在所提出的方法中，首先从捕获的视频中提取交通信号，并将其转换为时空（ST）信号。基于 ST 信号的特征，生成了一组真实的仿真数据，以构建一个扩展的大型交通数据库，涵盖各种交通状况。接下来，引入 Mean-Shift 滤波器来抑制噪声的影响并从 ST 信号中提取显著特征。提取的特征随后与各种类型的交通数据相关联：一种正常类型（内点）和多种异常类型（离群点）。为了进行分类，训练了一个自适应 boosting 分类器来自动检测交通数据中的离群点。此外，采用基于支持向量机（SVM）的方法来训练模型，以识别离群点的类别。简而言之，这种混合方法被称为自适应 Boosting 支持向量机（AB-SVM）方法。实验结果表明，所提出的 AB-SVM 方法取得了令人满意的结果，平均分类准确率超过 92%。
关键词
引用
@article{arxiv.1512.04392,
title = {Automatic Incident Classification for Big Traffic Data by Adaptive Boosting SVM},
author = {Li-Li Wang and Henry Y. T. Ngan and Nelson H. C. Yung},
journal= {arXiv preprint arXiv:1512.04392},
year = {2015}
}
备注
27 pages, 8 figures