用于改进城市交通填补的时空张量补全方法
机器学习
2021-03-16 v1
摘要
对于任何智慧城市倡议而言，城市交通的有效管理都十分重要。因此，感知交通数据的质量至关重要。然而，如同任何感知数据一样，城市交通数据容易出现缺陷，导致测量值缺失。本文关注区域间交通数据的补全。我们将区域间交通建模为存在缺失测量的时空张量。为恢复缺失数据，我们提出了一种增强的CANDECOMP/PARAFAC (CP)补全方法，该方法考虑了交通的城市与时间方面。为推导城市特征，我们将研究区域划分为若干区域。随后，针对每个区域，我们计算受生物多样性启发的城市特征向量，用于计算城市相似度矩阵。为挖掘时间方面，我们首先进行熵分析以确定最规则的时间序列。然后，我们进行联合傅里叶与相关分析以计算其周期性并构建时间矩阵。城市与时间矩阵均被输入一个改进的CP补全目标函数。为解决该目标，我们提出了一种对输入向量化版本进行运算的交替最小二乘方法。我们开展了包含两种评估场景的综合对比研究。在第一种场景中，我们模拟随机缺失值。在第二种场景中，我们模拟给定区域与时间段的缺失值。我们的结果表明，相较最先进的CP方法，我们的方法提供了有效的恢复性能，提升达26%；相较最先进的基于生成模型的方法，提升达35%。
引用
@article{arxiv.2103.08323,
title = {Spatiotemporal Tensor Completion for Improved Urban Traffic Imputation},
author = {Ahmed Ben Said and Abdelkarim Erradi},
journal= {arXiv preprint arXiv:2103.08323},
year = {2021}
}