基于信任子空间和核范数最小化的谱分析流量恢复：SATORIS-N
机器学习
2026-02-04 v1
摘要
不同天的交通密度矩阵同时表现出低秩特征和稳定的奇异向量子空间相关性。利用这一点，我们提出SATORIS-N（Spectral Analysis based Traffic Observation Recovery via Informed Subspaces and Nuclear-norm minimization），一个利用相邻天信任子空间先验信息进行部分观察交通密度 imputation 的框架。我们的贡献是引入子空间感知的半正定规划 (SDP) 核范数表述，显式地利用先验奇异子空间信息进行重构。这种凸形式联合强制低秩和子空间对齐，提供单一全局最优解，在中等和高遮挡情况下显著提高准确度。我们还研究了一种轻量级的隐式子空间对齐策略，即拼接连续天的矩阵以鼓励空间或时间奇异方向的对齐。尽管该启发式方法在缺失率较低时仅提供有限的提升，但显式的 SDP 方法在大比例缺失时明显更稳健。跨越北京和上海两个真实数据集，SATORIS-N 在高遮挡水平下持续优于 SoftImpute、IterativeSVD、统计方法乃至深度学习基线。该框架可推广至奇异子空间随时间演化缓慢的其他时空场景。在智能驾驶和车联网 (V2X) 系统中，准确的交通密度重构使关键应用（如协作感知、预测性路线规划和车路协同 (V2I) 通信优化）得以实现。当基础设施传感器或车报告观察不完整时——由于通信中断、传感器遮挡或稀疏的车联网渗透——可靠的插值变得至关重要，以确保安全和高效的自主导航。
引用
@article{arxiv.2602.03138,
title = {SATORIS-N: Spectral Analysis based Traffic Observation Recovery via Informed Subspaces and Nuclear-norm minimization},
author = {Sampad Mohanty and Bhaskar Krishnamachari},
journal= {arXiv preprint arXiv:2602.03138},
year = {2026}
}