面向时空交通数据填补的非凸低秩张量补全模型
机器学习
2020-06-12 v2 机器学习
摘要
从各类传感系统采集的时空交通数据中,稀疏与缺失问题十分常见。准确的填补对智能交通系统中的许多应用至关重要。本文在低秩张量补全(LRTC)框架下表述时空交通数据中的缺失数据填补问题,并在位置×天×一天中时刻的交通张量上定义了一种新颖的截断核范数(TNN)。特别地,我们引入一个通用速率参数来控制所提LRTC-TNN模型中对所有张量模式的截断程度,这使我们能更好地刻画时空交通数据中的隐藏模式。基于交替方向乘子法(ADMM)框架,我们给出了一种高效算法以获得各变量的最优解。我们在四个时空交通数据集上进行了数值实验,结果表明所提LRTC-TNN模型在多种缺失率/缺失模式下优于许多最先进的填补模型。此外,该模型在极端缺失场景下也优于其他基线模型。
引用
@article{arxiv.2003.10271,
title = {A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic Data Imputation},
author = {Xinyu Chen and Jinming Yang and Lijun Sun},
journal= {arXiv preprint arXiv:2003.10271},
year = {2020}
}