論文の概要: Spatiotemporal Regularized Tucker Decomposition Approach for Traffic
Data Imputation
- arxiv url: http://arxiv.org/abs/2305.06563v4
- Date: Tue, 31 Oct 2023 01:18:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-02 02:56:14.729988
- Title: Spatiotemporal Regularized Tucker Decomposition Approach for Traffic
Data Imputation
- Title(参考訳): トラヒックデータインプテーションのための時空間正規化タッカー分解法
- Authors: Wenwu Gong, Zhejun Huang, and Lili Yang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In intelligent transportation systems, traffic data imputation, estimating
the missing value from partially observed data is an inevitable and challenging
task. Previous studies have not fully considered traffic data's
multidimensionality and spatiotemporal correlations, but they are vital to
traffic data recovery, especially for high-level missing scenarios. To address
this problem, we propose a novel spatiotemporal regularized Tucker
decomposition method. First, the traffic matrix is converted into a third-order
tensor. Then, based on Tucker decomposition, the tensor is approximated by
multiplying non-negative factor matrices with a sparse core tensor. Notably, we
do not need to set the tensor rank or determine it through matrix nuclear-norm
minimization or tensor rank minimization. The low rankness is characterized by
the $l_1$-norm of the core tensor, while the manifold regularization and
temporal constraint are employed to capture spatiotemporal correlations and
further improve imputation performance. We use an alternating proximal gradient
method with guaranteed convergence to address the proposed model. Numerical
experiments show that our proposal outperforms matrix-based and tensor-based
baselines on real-world spatiotemporal traffic datasets in various missing
scenarios.
- Abstract(参考訳): インテリジェントな交通システムでは、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ヒックデータインプテーションは避けられない課題である。
これまでの研究では、トラフィックデータの多次元性と時空間相関を完全に考慮していなかったが、特に高レベルな欠落シナリオでは、トラフィックデータのリカバリに不可欠である。
そこで本研究では,新しい時空間正規化タッカー分解法を提案する。
まず、トラフィックマトリックスを3階テンソルに変換する。
次に、タッカー分解に基づいて、テンソルはスパースコアテンソルを持つ非負因子行列を乗じることで近似される。
特に、テンソルランクを設定したり、行列核ノルム最小化やテンソルランク最小化によって決定する必要はない。
低ランク性はコアテンソルの$l_1$-ノルムによって特徴づけられ、多様体の正則化と時間制約は時空間相関を捉え、さらにインプテーション性能を向上させるために用いられる。
提案するモデルに対処するために,収束を保証した交互近勾配法を用いる。
数値実験により,提案手法は実世界の時空間トラフィックデータセットにおいて,行列ベースおよびテンソルベースベースラインよりも優れていることが示された。
関連論文リスト
- Revisiting Trace Norm Minimization for Tensor Tucker Completion: A Direct Multilinear Rank Learning Approach [22.740653766104153]
本論文では、タッカー完備化におけるトレースノルムに基づく定式化は、多重線型階数最小化において非効率であることを示す。
等価表現の係数行列にトレースノルム最小化を適用するタッカー形式の新しい解釈を提案する。
数値的な結果から,提案アルゴリズムは多線形階数学習における性能が著しく向上していることが示唆された。
論文 参考訳(メタデータ) (2024-09-08T15:44:00Z) - Instance-Dependent Generalization Bounds via Optimal Transport [51.71650746285469]
既存の一般化境界は、現代のニューラルネットワークの一般化を促進する重要な要因を説明することができない。
データ空間における学習予測関数の局所リプシッツ正則性に依存するインスタンス依存の一般化境界を導出する。
ニューラルネットワークに対する一般化境界を実験的に解析し、有界値が有意義であることを示し、トレーニング中の一般的な正規化方法の効果を捉える。
論文 参考訳(メタデータ) (2022-11-02T16:39:42Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - 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) - Hankel-structured Tensor Robust PCA for Multivariate Traffic Time Series
Anomaly Detection [9.067182100565695]
本研究では,空間データにおける異常検出のためのRPCAのハンケル構造テンソルバージョンを提案する。
劣化した行列を低ランクのハンケルテンソルとスパース行列に分解する。
本手法は, 合成データと乗客フロー時系列を用いて評価する。
論文 参考訳(メタデータ) (2021-10-08T19:35:39Z) - 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) - MTC: Multiresolution Tensor Completion from Partial and Coarse
Observations [49.931849672492305]
既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。
この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
論文 参考訳(メタデータ) (2021-06-14T02:20:03Z) - Scaling and Scalability: Provable Nonconvex Low-Rank Tensor Estimation
from Incomplete Measurements [30.395874385570007]
基本的な課題は、高度に不完全な測定からテンソルを忠実に回収することである。
タッカー分解におけるテンソル因子を直接回復するアルゴリズムを開発した。
2つの正準問題に対する基底真理テンソルの線形独立率で確実に収束することを示す。
論文 参考訳(メタデータ) (2021-04-29T17:44:49Z) - Solving weakly supervised regression problem using low-rank manifold
regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。
weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。
数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文 参考訳(メタデータ) (2021-04-13T23:21:01Z) - Low-Rank and Sparse Enhanced Tucker Decomposition for Tensor Completion [3.498620439731324]
テンソル完備化のために,低ランクかつスパースに拡張されたタッカー分解モデルを導入する。
我々のモデルはスパースコアテンソルを促進するためにスパース正規化項を持ち、テンソルデータ圧縮に有用である。
テンソルに出現する潜在的な周期性と固有相関特性を利用するので,本モデルでは様々な種類の実世界のデータセットを扱うことが可能である。
論文 参考訳(メタデータ) (2020-10-01T12:45:39Z)
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。