基于集合意义的流量观测恢复-SATORIS-N
机器学习
2026-02-04 v1
摘要
来自不同天数的交通密度矩阵同时表现出低秩特征和稳定的奇异向量子空间。基于此，我们引入SATORIS-N，一个利用来自相邻天数中的先验子空间信息来插值部分观测到的交通密度的框架。我们的贡献是提出一种基于子空间的半正定规划（SDP）形式的核范数，显式地利用先验奇异子空间信息进行重构。这种凸形式同时强制低秩和子空间对齐，提供单一的全局最优解，并在中等至高遮挡情况下的准确性得到显著提升。我们还研究了一种轻量级的隐式子空间对齐策略，即将连续天数的矩阵拼接，以鼓励空间或时间奇异方向的对齐。尽管该启发式方法在缺失率较低时仅提供有限的提升，但显式的SDP方法在大比例缺失时表现出显著的鲁棒性。对于两个真实世界数据集（北京和上海），SATORIS-N在高遮挡水平下持续优于标准矩阵完成方法，如SoftImpute、IterativeSVD、统计方法乃至深度学习基线。该框架可推广至奇异子空间随时间演化缓慢的其他时空场景。在智能驾驶和车联网（V2X）系统中，准确的交通密度重建使关键应用得以实现，包括合作感知、预测性路径规划和车路基础设施（V2I）通信优化。当基础设施传感器或车辆上报观测不完整时——由于通信中断、传感器遮挡或稀疏的车联网渗透——可靠的插值变得对于安全和高效的自主导航至关重要。
引用
@article{arxiv.2602.03135,
title = {Enhanced Parcel Arrival Forecasting for Logistic Hubs: An Ensemble Deep Learning Approach},
author = {Xinyue Pan and Yujia Xu and Benoit Montreuil},
journal= {arXiv preprint arXiv:2602.03135},
year = {2026}
}