用于时空交通数据恢复的无参数非凸低秩张量补全模型
机器学习
2022-09-29 v1 信号处理
摘要
交通数据长期存在缺失与损坏，导致后续智能交通系统（ITS）应用的准确性与效用降低。注意到交通数据固有的低秩性质，众多研究将缺失交通数据恢复表述为低秩张量补全（LRTC）问题。由于LRTC中秩最小化的非凸性与离散性，现有方法要么用与秩函数相去甚远的凸替代来替换秩，要么用涉及众多参数的非凸替代来近似秩。在本研究中，我们提出了一种用于交通数据恢复的无参数非凸张量补全模型（TC-PFNC），其中设计了对数松弛项来近似张量代数秩。此外，以往研究通常假设观测值可靠且无离群点。因此，我们通过建模潜在交通数据离群点，将TC-PFNC扩展为鲁棒版本（RTC-PFNC），该版本可从部分且受损的观测中恢复缺失值并剔除观测中的异常。基于交替方向乘子法（ADMM）详述了TC-PFNC与RTC-PFNC的数值解。在四个真实世界交通数据集上开展的广泛实验结果表明，所提方法在缺失与受损数据恢复上均优于其他state-of-the-art方法。本文所用代码见：https://github.com/YoungHe49/T-ITSPFNC。
引用
@article{arxiv.2209.13786,
title = {A Parameter-free Nonconvex Low-rank Tensor Completion Model for Spatiotemporal Traffic Data Recovery},
author = {Yang He and Yuheng Jia and Liyang Hu and Chengchuan An and Zhenbo Lu and Jingxin Xia},
journal= {arXiv preprint arXiv:2209.13786},
year = {2022}
}
备注
10 pages, 7 figures