May, 2023

流形正则化 Tucker 分解方法在时空交通数据插值中的应用

PDF
TL;DR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。
spatiotemporal traffic data imputationtensor completionmanifold regularized tucker decompositionspatiotemporal correlationsconvergence-guaranteed
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

  • 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

  • 基于时空依赖的交通数据插值的深度学习框架

    本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

    Apr, 2023

  • 多词典张量分解

    我们提出了一种多字典张量分解（MDTD）框架，利用编码字典中关于张量模式的先验结构信息来获得稀疏编码的张量因子。通过实验证明，MDTD 相比无字典方法学习到更简洁的模型，且在重构质量、缺失值插补质量和张量秩的估计等方面均具有明显的改进，而且不会增加运行时间。

    Sep, 2023

  • 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

  • 具有泛化能力的隐式神经表示作为通用的时空交通数据学习器

    基于时空隐式神经表示的通用交通数据学习器，通过将交通数据参数化为隐式神经表示的形式，利用坐标为基准的神经网络对高频结构进行编码，将可变性分解为各个独立的过程，使用谱嵌入技术实现在传感器图中的建模，以连续表示的方式，统一输入来建模多样的交通数据，学习其底层交通动态，具有学习不同支配数据模式的能力，验证了其在实际场景中的有效性，展示了从走廊到网络规模的应用，为各种实际任务中时空交通数据的通用表示奠定了基础。

    Jun, 2024

  • 一种基于不完整张量 Tucker 分解的交通速度预测方法

    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。

    Apr, 2023

  • 时序解缠对比扩散模型的时空填补

    利用趋势和季节信息的条件特征和对比学习，C$^2$TSD 能更好地生成稳定和泛化性能强的模型，在三个真实数据集上的广泛实验显示其优越性能。

    Feb, 2024

  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 利用时空 Tweedie 模型进行 0 膨胀和长尾旅行需求预测的不确定性量化

    介绍了一种名为空间 - 时间 Tweedie 图神经网络（STTD）的新方法，该方法应用 Tweedie 分布来参数化旅行需求分布，结合空间和时间嵌入来解决高分辨率 O-D 矩阵中的稀疏性和长尾特征，并有效提高了预测的精度和置信区间的准确性。

    Jun, 2023