面向交通分析的神经范数多项式分解
机器学习
2025-09-04 v4 机器学习
摘要
现代智能交通系统依赖于准确的时空交通分析以优化城市交通与基础设施韧性。然而，由传感器故障和异构感知间隙导致的广泛缺失数据根本阻碍了可靠的交通建模。本文提出一种神经范数多项式分解 (NCPF) 模型，通过可学习嵌入投影将低秩张量代数与深度表示学习融合，用于可靠的交通数据插值。该模型创新性地将CP分解嵌入神经网络结构，其中稀疏交通张量被编码为跨路段、时间区间和 mobility 指标的稠密潜在因子。层次化特征融合机制采用Hadamard积显式建模多线性相互作用，同时堆叠的多层感知器层对这些表示进行非线性细化，以捕捉复杂的时空耦合。在六个城市交通数据集上的广泛评估表明，NCPF 在六个最先进基准方法中具有优势。通过统一CP分解的可解释因子分析与神经网络的非线性表达能力，NCPF 为高维交通数据插值提供了原则且灵活的方法，为下一代交通数字孪生体和自适应交通控制系统提供了关键支持。
引用
@article{arxiv.2506.15079,
title = {Neural Canonical Polyadic Factorization for Traffic Analysis},
author = {Wenyu Luo and Yikai Hou and Peng Tang},
journal= {arXiv preprint arXiv:2506.15079},
year = {2025}
}