面向交通事件的纤维离群点鲁棒张量恢复

事件检测在智慧城市研究中日益受到关注。大规模移动性数据可作为揭示城市交通系统动态的重要工具，而此类数据集往往不完整。本文中，我们开发了一种方法来检测大型交通数据集中的极端事件，并在常规条件下填补缺失数据。具体而言，我们提出了一个鲁棒张量恢复问题，以在部分观测下从纤维稀疏损坏中恢复低秩张量，并用其识别事件及在典型条件下填补缺失数据。我们的方法可扩展至大型城市区域，充分利用了交通模式中的时空相关性。我们基于交替方向乘子法（ADMM）框架开发了高效算法求解该张量恢复问题。与现有的 $l_1$ 范数正则化张量分解方法相比，我们的算法可在温和条件下精确恢复低秩张量中未损坏纤维的值并找出损坏纤维的位置。数值实验表明，在损坏率与低秩张量的Tucker秩给定条件下，即便缺失数据率高达40%，我们的算法也能精确检测离群点。最后，我们将方法应用于对应于美国田纳西州纳什维尔市中心的真实交通数据集，成功检测出严重车祸、施工车道封闭及其他引起显著交通中断的大型事件。