用于交通速度估计的低秩 Hankel 张量补全
机器学习
2022-06-15 v2 信号处理
摘要
本文研究利用移动传感器的稀疏观测进行交通状态估计（TSE）的问题。大多数现有 TSE 方法要么依赖定义明确的物理交通流模型，要么需要大量仿真数据作为输入来训练机器学习模型。与以往研究不同，我们在本文中提出一种纯数据驱动且无模型的解决方案。我们将 TSE 视为时空矩阵补全/插值问题，并应用时空延迟嵌入将原始不完整矩阵转换为四阶 Hankel 结构张量。通过对该张量结构施加低秩假设，我们可以以数据驱动的方式近似并刻画全局与局部时空模式。我们使用平衡时空展开（其中每一列代表原始矩阵中小块向量的向量化）的截断核范数来近似张量秩。基于交替方向乘子法（ADMM）开发了一种高效的求解算法用于模型学习。所提框架仅涉及两个超参数，即空间和时间窗口长度，在给定数据稀疏程度下易于设置。我们在真实世界高分辨率轨迹数据上进行了数值实验，结果表明所提模型在一些具有挑战性的场景中有效且优越。
引用
@article{arxiv.2105.11335,
title = {Low-Rank Hankel Tensor Completion for Traffic Speed Estimation},
author = {Xudong Wang and Yuankai Wu and Dingyi Zhuang and Lijun Sun},
journal= {arXiv preprint arXiv:2105.11335},
year = {2022}
}