Print

基于半监督SVM的交通方式特征分析和识别

论文摘要

为解决基于手机信令数据识别大规模用户交通方式问题,多维度分析出行方式特征,提出结合主动学习和Tri-training的半监督支持向量机算法。以手机信令出行链为基础,将出行特征划分为距离、时间、速度、出行者属性等四类,并进一步研究多维度特征及其计算方法 ,基于有向无环图设计一种结合主动学习与基于Tri-training的半监督多分类支持向量机。运用HY市手机信令数据构建样本集并训练该分类器,与多种监督学习分类算法进行比较。结果表明主动学习构造的富含信息的已标记样本集可以减少半监督学习的迭代次数,Tri-training半监督支持向量机可以通过大量未标记样本提升分类器准确率,结合主动学习与Tri-training半监督支持向量机算法可以有效地识别手机信令数据出行链的交通方式。

论文目录

  • 0 引言
  • 1 数据准备与预处理
  • 2提取出行特征
  •   1.1距离类特征
  •   2.2 时间类特征
  •   2.3 速度类特征
  •   2.4 用户属性类特征
  •   2.5 出行特征提取
  • 3 结合主动学习与基于Tri-training的半监督多分类SVM
  •   3.1 优化判断顺序的有向无环图设计有向无环图是SVM处理多分类问题
  •   3.2 置信度函数
  •   3.3 ALTS3VM分类器的训练过程
  • 4 实例分析
  •   4.1 数据来源
  •   4.2 实验设计
  •   4.3 实验结果分析
  • 6 结论

    • 文章来源

    类型: 期刊论文

    作者: 冯雨庭,张锦,肖斌

    关键词: 交通大数据,交通方式,主动学习,半监督学习,支持向量机

    来源: 综合运输 2019年09期

    年度: 2019

    分类: 经济与管理科学,工程科技Ⅱ辑

    专业: 公路与水路运输

    单位: 西南交通大学交通运输与物流学院

    分类号: U491

    页码: 57-63

    总页数: 7

    文件大小: 2810K

    下载量: 200

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/102e9f6186eb3e27b3a642f6.html