基于迁移学习的网约车检测
机器学习
2017-05-24 v1 机器学习
摘要
像Uber和滴滴这样的网约车平台在世界各地越来越受欢迎。然而，利用共享经济优势的未经授权的网约车活动可能会严重损害这一新兴产业的健康发展。作为规范按需乘车服务和消除黑市的第一步，我们设计了一种基于轨迹从车辆池中检测网约车的方法。由于合法网约车的轨迹数据并未公开，且由于法律问题在某些城市可能完全缺失，我们转向从公共交通开放数据（即出租车和公交车）迁移知识，以在普通车辆中进行网约车检测。我们提出了一个两阶段迁移学习框架。在第一阶段，我们将出租车和公交车数据作为输入，利用出租车/公交车与网约车/其他车辆共享的轨迹特征，学习一个随机森林（RF）分类器。然后，我们使用RF对所有候选车辆进行标记。在第二阶段，利用前一阶段获得的高置信度标签子集作为输入，我们进一步学习一个用于网约车检测的卷积神经网络（CNN）分类器，并通过协同训练过程迭代优化RF和CNN以及特征集。最后，我们使用得到的RF和CNN集成模型来识别候选池中的网约车。在真实汽车、出租车和公交车轨迹上的实验表明，我们的迁移学习框架无需预先标记的网约车数据集，即可达到与监督学习方法相当的准确率。
引用
@article{arxiv.1705.08409,
title = {Ridesourcing Car Detection by Transfer Learning},
author = {Leye Wang and Xu Geng and Jintao Ke and Chen Peng and Xiaojuan Ma and Daqing Zhang and Qiang Yang},
journal= {arXiv preprint arXiv:1705.08409},
year = {2017}
}