論文の概要: Scalable Low-Rank Tensor Learning for Spatiotemporal Traffic Data
Imputation
- arxiv url: http://arxiv.org/abs/2008.03194v3
- Date: Sat, 12 Jun 2021 17:19:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 00:45:34.586377
- Title: Scalable Low-Rank Tensor Learning for Spatiotemporal Traffic Data
Imputation
- Title（参考訳）: 時空間トラヒックデータインプテーションのためのスケーラブルな低ランクテンソル学習
- Authors: Xinyu Chen, Yixian Chen, Nicolas Saunier, Lijun Sun
- Abstract要約: 本稿では,大規模トラフィックデータに対する欠落したデータ計算問題に対処することに焦点を当てる。
精度と効率を両立させるため,スケーラブルなテンソル学習モデルであるローランカル・ランク・コンプリートを開発した。
LSTC-Tubalは計算コストを大幅に削減して競争精度を予測できることがわかった。
- 参考スコア（独自算出の注目度）: 12.520128611313833
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Missing value problem in spatiotemporal traffic data has long been a
challenging topic, in particular for large-scale and high-dimensional data with
complex missing mechanisms and diverse degrees of missingness. Recent studies
based on tensor nuclear norm have demonstrated the superiority of tensor
learning in imputation tasks by effectively characterizing the complex
correlations/dependencies in spatiotemporal data. However, despite the
promising results, these approaches do not scale well to large data tensors. In
this paper, we focus on addressing the missing data imputation problem for
large-scale spatiotemporal traffic data. To achieve both high accuracy and
efficiency, we develop a scalable tensor learning model -- Low-Tubal-Rank
Smoothing Tensor Completion (LSTC-Tubal) -- based on the existing framework of
Low-Rank Tensor Completion, which is well-suited for spatiotemporal traffic
data that is characterized by multidimensional structure of location$\times$
time of day $\times$ day. In particular, the proposed LSTC-Tubal model involves
a scalable tensor nuclear norm minimization scheme by integrating linear
unitary transformation. Therefore, tensor nuclear norm minimization can be
solved by singular value thresholding on the transformed matrix of each day
while the day-to-day correlation can be effectively preserved by the unitary
transform matrix. We compare LSTC-Tubal with state-of-the-art baseline models,
and find that LSTC-Tubal can achieve competitive accuracy with a significantly
lower computational cost. In addition, the LSTC-Tubal will also benefit other
tasks in modeling large-scale spatiotemporal traffic data, such as
network-level traffic forecasting.
- Abstract（参考訳）: 時空間的トラフィックデータの欠落は、特に複雑な欠落機構と多彩な欠落度を持つ大規模・高次元データにおいて、長年にわたって課題となっている。
テンソル核ノルムに基づく最近の研究は、時空間データの複素相関/依存性を効果的に特徴付けることによって、インプテーションタスクにおけるテンソル学習の優位性を実証している。
しかし、有望な結果にもかかわらず、これらのアプローチは大規模データテンソルには適さない。
本稿では,大規模時空間トラヒックデータの欠落データインプテーション問題に対処することに焦点を当てる。
高い精度と効率性を実現するために、スケーラブルなテンソル学習モデルであるlstc-tubal(low-tubal-rank smoothing tensor completion)を開発した。これは、位置$\times$ time of day $\times$ dayの多次元構造を特徴とする時空間的トラフィックデータに適した、既存の低ランクテンソル補完フレームワークに基づいている。
特に、LSTC-Tubalモデルは、線形ユニタリ変換を統合することにより、スケーラブルなテンソル核ノルム最小化スキームを含む。
したがって、各日の変換行列上で特異値しきい値でテンソル核ノルム最小化を解き、また、一元変換行列によって日々の相関を効果的に保存することができる。
我々はLSTC-Tubalを最先端のベースラインモデルと比較し、LSTC-Tubalが計算コストを大幅に削減して競争精度を達成できることを見出した。
さらに、LSTC-Tubalは、ネットワークレベルのトラフィック予測のような大規模な時空間トラフィックデータをモデル化する他のタスクにも恩恵をもたらす。
関連論文リスト
- Correlation-aware Spatial-Temporal Graph Learning for Multivariate
Time-series Anomaly Detection [67.60791405198063]
時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。
CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。
新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
論文 参考訳（メタデータ） (2023-07-17T11:04:27Z) - To Repeat or Not To Repeat: Insights from Scaling LLM under Token-Crisis [50.31589712761807]
大規模言語モデル(LLM)は、事前トレーニング中にトークンに悩まされていることで知られており、Web上の高品質なテキストデータは、LSMのスケーリング制限に近づいている。
本研究では,事前学習データの再学習の結果について検討し,モデルが過度に適合する可能性が示唆された。
第2に, マルチエポック劣化の原因となる要因について検討し, データセットのサイズ, モデルパラメータ, トレーニング目標など, 重要な要因について検討した。
論文 参考訳（メタデータ） (2023-05-22T17:02:15Z) - Spatiotemporal Regularized Tucker Decomposition Approach for Traffic
Data Imputation [0.0]
インテリジェントトランスポートシステムでは、部分的に観測されたデータから欠落した値を推定するトラフィックデータ計算が避けられない課題である。
これまでの研究は、交通データの多次元性と相関性を十分に考慮していなかったが、特に高レベルの欠落シナリオにおいて、データの回復には不可欠である。
論文 参考訳（メタデータ） (2023-05-11T04:42:35Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Scalable Spatiotemporally Varying Coefficient Modelling with Bayesian Kernelized Tensor Regression [17.158289775348063]
カーネル化されたテンソル回帰(BKTR)は、低ランクの時間構造を持つモデリングプロセスに対する新しいスケーラブルなアプローチと考えられる。
そこで本研究では,BKTRのモデル推定と推定において,BKTRの優れた性能と効率性を確認した。
論文 参考訳（メタデータ） (2021-08-31T19:22:23Z) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳（メタデータ） (2021-05-21T00:08:06Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳（メタデータ） (2021-04-11T16:37:32Z) - A Fully Tensorized Recurrent Neural Network [48.50376453324581]
重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。
このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
論文 参考訳（メタデータ） (2020-10-08T18:24:12Z) - A Nonconvex Low-Rank Tensor Completion Model for Spatiotemporal Traffic
Data Imputation [13.48205738743634]
様々なセンサシステムから収集された時空間トラフィックデータには,データ計算の欠如が一般的である。
本稿では,各変数に対する最適解を求めるアルゴリズムを提案する。
提案したモデルは、他のベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2020-03-23T13:27:01Z) - Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。
これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。
この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2020-02-21T05:00:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。