基于阈值距离加权损失的张量潜在因子分解：用于交通数据估计
机器学习
2025-07-01 v1 人工智能
摘要
智能交通系统(ITS)高度依赖完整且高质量的时空交通数据以实现最佳性能。然而，在实际交通数据收集过程中，常因通信故障和传感器故障导致数据集不完整或损坏，这对 ITS 的发展构成重大挑战。对于插补不完整时空交通数据的方法，潜在张量因子分解(LFT)模型已成为广泛采用且有效的解决方案。然而，传统 LFT 模型通常采用标准 L2 范数作为学习目标，易受异常值影响。为克服这一局限，本文提出一种阈值距离加权(TDW)损失集成的张量潜在因子分解(TDWLFT)模型。该提出的损失函数通过对 individual samples 赋予不同权重，有效降低了模型对异常值的敏感性。在来自多种城市环境的两个交通速度数据集上进行的广泛实验表明，所提 TDWLFT 模型在预测准确性和计算效率方面均优于最先进的方法。
引用
@article{arxiv.2506.22441,
title = {Latent Factorization of Tensors with Threshold Distance Weighted Loss for Traffic Data Estimation},
author = {Lei Yang},
journal= {arXiv preprint arXiv:2506.22441},
year = {2025}
}