面向大规模车速估计的稀疏感知关联：一种拉普拉斯增强低秩张量克里金方法
机器学习
2023-06-12 v3 机器学习
摘要
车速是刻画路网流畅性的核心要素，许多交通应用如实时导航、动态路线规划和拥堵管理都依赖于它。感知与通信技术的快速发展使车速检测比以往更加便捷。然而，由于静态传感器部署稀疏或移动传感器渗透率低下，检测到的车速不完整且远不能满足全网应用。此外，传感器易因各类原因出错或缺失数据，所得车速可能高度噪声化。这些缺陷亟需有效技术从不完整数据中恢复可信估计。本文首先将此问题识别为时空克里金问题，并提出一种拉普拉斯增强低秩张量补全（LETC）框架，该框架兼具低秩性与多维相关性，用于在有限观测下的大规模车速克里金。具体而言，我们精心选取并同时以三种不同形式的图拉普拉斯建模时序连续性、时序周期性与空间邻近性三类车速相关性，分别称为时间图傅里叶变换、广义时间一致性正则化与扩散图正则化。随后我们借助若干有效数值技术设计高效求解算法，将所提模型扩展至全网克里金。通过在两个百万级公开车速数据集上实验，我们得出结论：即便在低观测率下，所提LETC仍取得最先进的克里金性能，同时相比基线方法节省一半以上计算时间。我们也提供了关于网络级时空交通数据建模与克里金的一些见解。
引用
@article{arxiv.2210.11780,
title = {Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach},
author = {Tong Nie and Guoyang Qin and Yunpeng Wang and Jian Sun},
journal= {arXiv preprint arXiv:2210.11780},
year = {2023}
}