基于不完备张量 Tucker 分解的交通速度预测方法
机器学习
2023-04-24 v1
摘要
在智能交通系统中，数据缺失是常见且不可避免的，而完整有效的交通速度数据对智能交通系统至关重要。张量潜在分解（LFT）模型因其良好的可扩展性而成为解决缺失交通数据恢复最具吸引力的方法之一。LFT 模型通常通过随机梯度下降（SGD）求解器实现优化，然而基于 SGD 的 LFT 存在收敛缓慢的问题。为解决该问题，本工作将比例-积分-微分（PID）控制器的独特优势集成到基于 Tucker 分解的 LFT 模型中。它采用双重思路：a) 采用 Tucker 分解构建 LFT 模型以获得更好的恢复精度；b) 将基于 PID 控制理论的调整后实例误差引入 SGD 求解器，以有效提高收敛速度。我们在两个主要城市道路交通速度数据集上的实验研究表明，所提模型实现了显著的效率提升和极具竞争力的预测精度。
引用
@article{arxiv.2304.10961,
title = {An Incomplete Tensor Tucker decomposition based Traffic Speed Prediction Method},
author = {Jiajia Mi},
journal= {arXiv preprint arXiv:2304.10961},
year = {2023}
}