論文の概要: Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation

• arxiv url: http://arxiv.org/abs/2104.14936v1
• Date: Fri, 30 Apr 2021 12:00:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-03 13:50:42.228940
• Title: Low-Rank Autoregressive Tensor Completion 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低ランク自己回帰テンソル補完
• Authors: Xinyu Chen, Mengying Lei, Nicolas Saunier, Lijun Sun
• Abstract要約: データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 テキストの時間変化を新たな正規化項として導入し,低ランク自動回帰テンソル補完(LATC)フレームワークを提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。
• 参考スコア（独自算出の注目度）: 4.9831085918734805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spatiotemporal traffic time series (e.g., traffic volume/speed) collected from sensing systems are often incomplete with considerable corruption and large amounts of missing values, preventing users from harnessing the full power of the data. Missing data imputation has been a long-standing research topic and critical application for real-world intelligent transportation systems. A widely applied imputation method is low-rank matrix/tensor completion; however, the low-rank assumption only preserves the global structure while ignores the strong local consistency in spatiotemporal data. In this paper, we propose a low-rank autoregressive tensor completion (LATC) framework by introducing \textit{temporal variation} as a new regularization term into the completion of a third-order (sensor $\times$ time of day $\times$ day) tensor. The third-order tensor structure allows us to better capture the global consistency of traffic data, such as the inherent seasonality and day-to-day similarity. To achieve local consistency, we design the temporal variation by imposing an AR($p$) model for each time series with coefficients as learnable parameters. Different from previous spatial and temporal regularization schemes, the minimization of temporal variation can better characterize temporal generative mechanisms beyond local smoothness, allowing us to deal with more challenging scenarios such "blackout" missing. To solve the optimization problem in LATC, we introduce an alternating minimization scheme that estimates the low-rank tensor and autoregressive coefficients iteratively. We conduct extensive numerical experiments on several real-world traffic data sets, and our results demonstrate the effectiveness of LATC in diverse missing scenarios.
• Abstract（参考訳）: センサーシステムから収集された時空間交通時間(例えば、交通量/速度)は、しばしばかなりの汚職と大量の欠落した値で不完全であり、利用者がデータの完全なパワーを利用するのを妨げている。 データ計算の欠如は長年の研究課題であり、現実世界のインテリジェント交通システムにとって重要な応用である。 広く応用された計算法は低ランク行列/テンソル完備化であるが、低ランク仮定は時空間データの強い局所的一貫性を無視しながら大域構造を保っている。 本稿では,第3次テンソル(センサ $\times$ time of day $\times$ day)の完了に新しい正規化項として \textit{temporal variation} を導入することで,低ランク自己回帰テンソル補完(latc)フレームワークを提案する。 3階テンソル構造により、季節性や日々の類似性など、トラフィックデータのグローバルな一貫性をよりよく捉えることができる。 局所的な整合性を達成するため,各時系列に対してAR($p$)モデルを学習可能なパラメータとして与えることで時間変動を設計する。 従来の空間的・時間的規則化方式と異なり、時間的変動の最小化は局所的滑らか性を超えた時間的生成機構をより特徴付けることができ、「ブラックアウト」欠落のようなより困難なシナリオに対処することができる。 LATCにおける最適化問題を解決するため,低ランクテンソルと自己回帰係数を反復的に推定する交代最小化方式を提案する。 本研究では,複数の実世界の交通データ集合について広範な数値実験を行い,LATCの有効性を実証した。

関連論文リスト

• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Laplacian Convolutional Representation for Traffic Time Series Imputation [27.525490099749383]
  トラフィック時系列の局所的傾向を特徴付けるための時間正則化にラプラシアンカーネルを導入する。 循環行列核ノルムとラプラシアン核化時間正規化を併用して低ランクラプラシアン畳み込み表現(LCR)モデルを開発する。 各種時系列行動のトラヒック時系列を計算するためのベースラインモデルよりもLCRの方が優れていることを示す。
  論文  参考訳（メタデータ） (2022-12-03T04:08:56Z)
• Correlating sparse sensing for large-scale traffic speed estimation: A Laplacian-enhanced low-rank tensor kriging approach [76.45949280328838]
  本稿では,Laplacian enhanced Low-rank tensor (LETC) フレームワークを提案する。 次に,提案したモデルをネットワークワイド・クリグにスケールアップするために,複数の有効な数値手法を用いて効率的な解アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-10-21T07:25:57Z)
• 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)
• Averaging Spatio-temporal Signals using Optimal Transport and Soft Alignments [110.79706180350507]
  Fr'teche は双対性を意味し, 時間的バレシェセンタを定義するために提案した損失が有効であることを示す。 手書き文字と脳画像データによる実験は、我々の理論的発見を裏付けるものである。
  論文  参考訳（メタデータ） (2022-03-11T09:46:22Z)
• 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)
• Low-Rank Autoregressive Tensor Completion for Multivariate Time Series Forecasting [15.927264813606637]
  センサーネットワークから収集された時系列は、しばしば大規模なものであり、かなりの腐敗と欠落した値で不完全である。 多変量時系列データをモデル化するための低ランク自己回帰テンソル補完(LATC)フレームワークを提案する。 実世界の3つのデータセットに関する数値実験により,LATCにおけるグローバル・ローカル・トレンドの統合の優位性を示した。
  論文  参考訳（メタデータ） (2020-06-18T11:31:16Z)
• 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)

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。