MNT-TNN：基于紧凑多模态非线性变换张量核范数的时空交通数据填补
机器学习
2025-09-29 v2
摘要
随机或非随机缺失数据的填补是一个长期的研究课题，也是智能交通系统（ITS）的关键应用。然而，随着全球卫星导航系统（GNSS）等现代通信技术的出现，交通数据收集在随机缺失值填补方面带来了新的挑战，并且对时空依赖建模的需求日益增加。为解决这些问题，我们提出了一种基于多模态非线性变换张量核范数（MNT-TNN）的新型时空交通填补方法，该方法能够有效捕捉交通张量（表示为位置×位置×时间）的内在多模态时空相关性和低秩性。为求解非凸优化问题，我们设计了一种具有理论收敛保证的近端交替最小化（PAM）算法。我们还提出了一种增强型变换张量核范数族（ATTNNs）框架，以提升TTNN技术的填补效果，尤其是在极高缺失率下。在真实数据集上的大量实验表明，我们提出的MNT-TNN和ATTNNs能够优于当前最先进的填补方法，完善了随机缺失交通值填补的基准。
引用
@article{arxiv.2503.22955,
title = {MNT-TNN: Spatiotemporal Traffic Data Imputation via Compact Multimode Nonlinear Transform-based Tensor Nuclear Norm},
author = {Yihang Lu and Mahwish Yousaf and Xianwei Meng and Enhong Chen},
journal= {arXiv preprint arXiv:2503.22955},
year = {2025}
}