Apr, 2023

一种基于不完整张量 Tucker 分解的交通速度预测方法

PDF
TL;DR本研究采用 Tucker 分解和 PID 控制理论将 LFT 模型进行改进，以提高智能交通系统中交通数据恢复的准确性和 SGD 算法的收敛速度。实验结果表明，改进后的模型在两个城市主要道路交通速度数据集上具有显著的效率提升和高竞争性的预测准确性。
intelligent transport systemsmissing datalatent factorization-of-tensors modelproportional-integral-derivative controllertraffic data recovery
发现论文，激发创造
  • 流式因子轨迹学习用于时态张量分解

    提出了一种能够处理时间信息的流式数据的张量分解方法，使用高斯过程模型因子轨迹并通过构建等效的随机微分方程实现在线过滤估计，有效捕捉对象表示的时序演化。

    Oct, 2023

  • 基于张量分解的缺失数据填补的非侵入式负载监测

    本文通过引入一种创新的张量完成（TC）模型 - 比例积分导数控制（PID）结合非负张量潜变分析（PNLFT）的方法来解决 NILM 数据损失的问题，实验结果表明与现有模型相比，该模型在收敛速度和准确性方面具有显著提升。

    Mar, 2024

  • 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

  • 动态网络表示的动量非负张量因式分解模型

    本文提出了一种基于动量梯度下降的非线性潜在张量因子分解模型 (MNNL)，可从高维不完整张量 (HDI) 中提取非负潜在因子，改善了传统 LFT 模型的训练问题，提高了预测准确性和收敛速度。

    May, 2023

  • 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

  • 非参数因子轨迹学习动态张量分解

    该研究提出了一种名为 “NONFAT” 的方法，它使用高斯过程先验和稀疏变分学习算法来实现动态张量分解，以分析伴随有时间信息的多维数据，并应用于多种实际应用中。

    Jul, 2022

  • 交通速度估计的低秩汉克尔张量补全

    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。

    May, 2021

  • 张量环分解实现大规模动态网络表示

    本文提出一种基于张量环分解的模型，将单个潜在因子相关的、非负的、乘性的更新方法融入到张量分解模型中，分析了张量环分解的特定偏差形式。在两个真实的大规模动态网络上的实验研究表明，该提出的方法比现有模型的准确性更高。

    Apr, 2023

  • 无限 Tucker 分解：多元数据分析的非参数贝叶斯模型

    本篇论文提出了一种名为 InfTucker 的新的张量分解模型，采用基于贝叶斯模型的 tensor-variate latent nonparametric Bayesian 模型，并结合高效推理方法，适用于多元数据分析，可处理多种数据类型和不确定性，实验结果显示其预测准确性优于现有的最先进的 tensor 分解模型。

    Aug, 2011

  • 不完整数据的可扩展张量分解

    考虑如何分解具有缺失值的数据集，以捕捉数据的潜在结构并可能重建缺失值。我们开发了一种名为 CP-WOPT 的算法，该算法使用一种一阶优化方法来解决加权最小二乘问题，并通过大量的数值实验验证了该算法的性能良好，能够成功分解噪声数据及缺失数据高达 99％的张量，同时适用于稀疏大规模数据。

    May, 2010