May, 2021

交通速度估计的低秩汉克尔张量补全

PDF
TL;DR本文提出了一种基于数据驱动的、无需使用物理交通流模型或大量模拟数据训练机器学习模型的交通状态估计（TSE）解决方案，将 TSE 视为一个时空矩阵完形填充 / 插值问题，并应用时空延迟嵌入技术将原始不完整矩阵转换为四阶 Hankel 结构张量，通过对张量低秩假设，可以用窗口长度的平衡时空展开的截断核范数近似表示张量秩，具有较强的鲁棒性。该模型仅涉及两个超参数：时空窗口长度，可以根据数据稀疏程度进行设置，实验结果表明该模型在某些具有挑战性的场景中具有很好的鲁棒性。
traffic state estimationmobile sensorsdata-drivenhankel tensorspatiotemporal patterns
发现论文，激发创造
  • 一种非凸低秩张量补全模型用于时空交通数据插值

    本文提出了一种用于解决空间时间交通数据中缺失数据问题的低秩张量完成方法，并定义了一个新的截断核范数，利用交替方向乘子法（ADMM）的框架提出了一种有效的算法来获得每个变量的最优解。数值实验表明，所提出的方法优于许多最先进的缺失数据模型。

    Mar, 2020

  • 高效张量补全：低秩张量列车

    该论文提出了一种新的张量补全问题的公式，以张量列车 (TT) 秩的形式介绍了该公式，可以通过平衡的矩阵化计算有效地捕获张量的全局信息。两种算法被提出来解决相应的张量补全问题。

    Jan, 2016

  • 利用杠杆采样和张量 QR 分解进行张量补全以进行网络延迟估计

    本文提出了一种新的方法，通过改进张量采样策略和引入张量 QR 分解来加速张量完成，以更快地进行网络延迟估计，同时保持高准确性。我们使用张量 $L_{2,1}$- 范数来完成不完整的张量并将张量 QR 分解引入到 ADMM 框架中。数值实验表明，我们的方法比现有算法更快，准确性令人满意。

    Jun, 2023

  • 流形正则化 Tucker 分解方法在时空交通数据插值中的应用

    本论文提出了一个创新的流形正则化 Tucker 分解（ManiRTD）模型，通过引入多元时延嵌入变换，将感官交通状态数据表示为三阶 / 四阶张量，并利用稀疏正则化项改善 Tucker 核的稀疏性以及使用流形正则化和时间约束条件特征化其时空关联，最终在交替近端梯度更新规则下通过块坐标下降框架解决 ManiRTD 模型，并在实际交通数据集上进行数字实验，结果表明所提出的模型在各种缺失情况下优于其他分解方法，并更精确地重建了 STD。

    May, 2023

  • 从稀疏轨迹估计行程时间和路径

    该论文针对 IoT 技术下数据采样不足的情况，提出了一种基于 EM 算法的不完全监督模型，通过粗略标记数据，同时解决旅行时间估计和路径恢复问题，实现更高精度的路径推断和更准确的时间预测。

    Jun, 2022

  • 时空隐式神经表示作为广义交通数据学习器

    通过参数化空时交通数据（STTD）为隐式神经表示，我们提供了一种新的方法来解决 STTD 学习问题。通过在低维度范围内识别潜在动力学和分解空时交互作用，我们的方法能够进行各种 STTD 的建模，并展示了其在实际应用中的有效性。

    May, 2024

  • 基于低秩张量列的彩色图像和视频修复高效完成算法

    本文提出一种新颖的张量完成方法，基于张量列车 (TT) 秩，提出了新的优化公式和算法。其中，SiLRTC-TT 是通过在 TT 秩的基础上最小化核范数实现的，TMac-TT 是通过基于多线性矩阵分解来逼近张量 TT 秩。文章还提出了一种向高阶张量转换的方法以增强 SiLRTC-TT 和 TMac-TT 的有效性。仿真结果表明该方法在彩色图像和视频恢复方面具有明显优势。

    Jun, 2016

  • 嵌入空间低秩模型的张量缺失切片恢复

    本研究提出了一种用于多维张量数据的低秩模型和一种基于 Tucker 分解的低秩张量分解方法，该方法能够成功地恢复一些彩色图像和功能磁共振成像中的丢失部分。

    Apr, 2018

  • 流式大数据矩阵和张量的子空间学习和插补

    论文提出了一种基于 rank minimization 算法的在线优化方法，通过追踪低维度子空间、揭示潜在结构以及使用核范数正则化来实现低维矩阵数据和低秩张量数据的缺失值插补，模拟测试显示该方法在数据明显含噪、不完整的情况下表现突出。

    Apr, 2014

  • 基于 k 空间深度学习的加速磁共振成像

    本文提出了一种基于深度学习的 k - 空间插值方法，该方法结合卷积神经网络和数据驱动框架，并且可以轻松应用于非 Cartesian k-space 轨迹。实验结果表明，该方法在压缩感知中具有较好的性能。

    May, 2018