論文の概要: Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns

• arxiv url: http://arxiv.org/abs/2205.09390v1
• Date: Thu, 19 May 2022 08:37:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 12:36:36.327132
• Title: Truncated tensor Schatten p-norm based approach for spatiotemporal traffic data imputation with complicated missing patterns
• Title（参考訳）: テンソルシャッテンp-ノルムを用いた複雑欠落パターンを用いた時空間トラヒックデータインプテーション
• Authors: Tong Nie, Guoyang Qin, Jian Sun
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 77.34726150561087
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rapid advances in sensor, wireless communication, cloud computing and data science have brought unprecedented amount of data to assist transportation engineers and researchers in making better decisions. However, traffic data in reality often has corrupted or incomplete values due to detector and communication malfunctions. Data imputation is thus required to ensure the effectiveness of downstream data-driven applications. To this end, numerous tensor-based methods treating the imputation problem as the low-rank tensor completion (LRTC) have been attempted in previous works. To tackle rank minimization, which is at the core of the LRTC, most of aforementioned methods utilize the tensor nuclear norm (NN) as a convex surrogate for the minimization. However, the over-relaxation issue in NN refrains it from desirable performance in practice. In this paper, we define an innovative nonconvex truncated Schatten p-norm for tensors (TSpN) to approximate tensor rank and impute missing spatiotemporal traffic data under the LRTC framework. We model traffic data into a third-order tensor structure of (time intervals,locations (sensors),days) and introduce four complicated missing patterns, including random missing and three fiber-like missing cases according to the tensor mode-n fibers. Despite nonconvexity of the objective function in our model, we derive the global optimal solutions by integrating the alternating direction method of multipliers (ADMM) with generalized soft-thresholding (GST). In addition, we design a truncation rate decay strategy to deal with varying missing rate scenarios. Comprehensive experiments are finally conducted using real-world spatiotemporal datasets, which demonstrate that the proposed LRTC-TSpN method performs well under various missing cases, meanwhile outperforming other SOTA tensor-based imputation models in almost all scenarios.
• Abstract（参考訳）: センサー、無線通信、クラウドコンピューティング、データサイエンスの急速な進歩は、輸送エンジニアや研究者がより良い意思決定を行うのを助けるために、前例のない量のデータをもたらした。 しかし、実際の交通データは、検出器や通信の故障により、しばしば破損または不完全な値である。 したがって、下流のデータ駆動アプリケーションの有効性を保証するためにデータ計算が必要である。 この目的のために、インプテーション問題を低ランクテンソル補完(lrtc)として扱う多くのテンソルベース手法が、以前の研究で試みられている。 LRTCの中核であるランク最小化に取り組むために、上記の手法のほとんどは、テンソル核ノルム(NN)を最小化のための凸代理として利用する。 しかし、NNの過剰な緩和問題は、実際には望ましいパフォーマンスを控えている。 本稿では, テンソルに対する非凸切断シャッテン p-ノルム (tspn) を定義し, テンソルランクを近似し, lrtc フレームワーク下での時空間的トラフィックデータの欠落を示唆する。 我々は、トラフィックデータを3階テンソル構造(時間間隔、位置(センサ)、日)にモデル化し、テンソルモードn繊維によるランダム欠失と3つの繊維様欠失を含む4つの複雑な欠失パターンを導入する。 対象関数の非凸性にもかかわらず,乗算器の交互方向法(ADMM)と一般化ソフトスレッショルド法(GST)を統合することにより,大域的最適解を求める。 さらに, 種々の欠落率シナリオに対応するために, トラクション速度減衰戦略を設計する。 実世界の時空間データセットを用いて総合実験を行い、提案したLRTC-TSpN法は、ほとんど全てのシナリオにおいて他のSOTAテンソルベースの計算モデルよりも優れていることを示す。

関連論文リスト

• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• 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)
• A Parameter-free Nonconvex Low-rank Tensor Completion Model for Spatiotemporal Traffic Data Recovery [14.084532939272766]
  トラフィックデータは慢性的に腐敗に悩まされ、その後のITSアプリケーションでは精度と実用性が低下する。 提案手法は他の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-09-28T02:29:34Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• 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 Spatiotemporal Traffic Data Imputation [4.9831085918734805]
  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。
  論文  参考訳（メタデータ） (2021-04-30T12:00:57Z)
• 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 Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Scalable Low-Rank Tensor Learning for Spatiotemporal Traffic Data Imputation [12.520128611313833]
  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。
  論文  参考訳（メタデータ） (2020-08-07T14:19:07Z)
• 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。