面向客流画像的长期-短期时空张量预测
机器学习
2020-04-24 v1 信号处理
应用统计
摘要
时空数据在许多应用中非常普遍，例如制造系统和交通系统。由于内在复杂的空间和时间相关性，对其进行准确预测通常很困难。基于各种统计模型和正则化项的大多数现有方法，无法在保留数据中复杂相关性的同时保留其内在特征。在本文中，我们聚焦于基于张量的预测，并提出了几种实用的技术来改进预测。具体而言，对于长期预测，我们提出了“张量分解 + 二维自回归移动平均（2D-ARMA）”模型，以及一种实时更新预测的有效方法；对于短期预测，我们提出基于张量聚类进行张量补全，以避免过度简化并确保准确性。基于地铁客流数据的案例研究证明了其性能的提升。
引用
@article{arxiv.2004.11022,
title = {Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile},
author = {Ziyue Li and Hao Yan and Chen Zhang and Fugee Tsung},
journal= {arXiv preprint arXiv:2004.11022},
year = {2020}
}