基于非平稳时间矩阵分解的城市路网稀疏移动速度预测
机器学习
2026-01-28 v3 机器学习
摘要
由网约车或出租车轨迹计算得到的城市路网移动速度数据通常具有高维、稀疏和非平稳（例如呈现季节性）的特点。为应对这些挑战，我们提出一种非平稳时间矩阵分解（NoTMF）模型，利用矩阵分解将高维稀疏的移动速度数据投影到低维潜空间，从而得到空间因子矩阵与时间因子矩阵相乘的简洁形式。为刻画时间相关性，NoTMF 在季节差分的时间因子上采用高阶向量自回归（VAR）的潜方程。该方法不仅保留了稀疏移动速度数据的低秩结构，还维持了包括季节性信息在内的一致时间动态。NoTMF 的学习过程涉及优化空间与时间因子矩阵以及一组 VAR 系数矩阵。为高效求解，我们引入交替最小化框架，其中利用共轭梯度法处理估计时间因子矩阵这一难题，因为该子问题同时涉及部分观测的矩阵分解与季节差分 VAR。为评估 NoTMF 的预测性能，我们在由网约车轨迹估计得到的 Uber 移动速度数据集上进行了大量实验。由于城市路网上网约车数量不足，这些数据集含有大量缺失值。尽管存在缺失数据，NoTMF 相比基线模型展现出更优的预测精度与有效性。此外，鉴于移动速度数据的季节性备受关注，实验结果凸显了处理其非平稳性的重要意义。
引用
@article{arxiv.2203.10651,
title = {Forecasting Sparse Movement Speed of Urban Road Networks with Nonstationary Temporal Matrix Factorization},
author = {Xinyu Chen and Chengyuan Zhang and Xi-Le Zhao and Nicolas Saunier and Lijun Sun},
journal= {arXiv preprint arXiv:2203.10651},
year = {2026}
}
备注
Data and Python codes: https://github.com/xinychen/tracebase