論文の概要: A Spatio-Temporal Online Robust Tensor Recovery Approach for Streaming Traffic Data Imputation

• arxiv url: http://arxiv.org/abs/2511.01267v1
• Date: Mon, 03 Nov 2025 06:39:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:27.141107
• Title: A Spatio-Temporal Online Robust Tensor Recovery Approach for Streaming Traffic Data Imputation
• Title（参考訳）: トラフィックデータのストリーム化のための時空間オンラインロバストテンソル復元手法
• Authors: Yiyang Yang, Xiejian Chi, Shanxing Gao, Kaidong Wang, Yao Wang,
• Abstract要約: 低ランクテンソル回収アルゴリズムの最近の進歩は、高次元の交通データの捕捉構造と劣化した観測の復元に強い可能性を示している。 従来のバッチベースの手法では、大量の計算とストレージを必要とするため、トラフィックデータボリュームの継続的な拡大に直面した場合、スケーラビリティが制限される。 本稿では,グローバル時間相関とトラヒックデータの局所的整合性の両方を同時に利用し,高品質な回復精度を実現し,大規模シナリオにおける計算効率を大幅に向上させる,新しいオンラインロバストテンソルリカバリアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.533557170329829
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data quality is critical to Intelligent Transportation Systems (ITS), as complete and accurate traffic data underpin reliable decision-making in traffic control and management. Recent advances in low-rank tensor recovery algorithms have shown strong potential in capturing the inherent structure of high-dimensional traffic data and restoring degraded observations. However, traditional batch-based methods demand substantial computational and storage resources, which limits their scalability in the face of continuously expanding traffic data volumes. Moreover, recent online tensor recovery methods often suffer from severe performance degradation in complex real-world scenarios due to their insufficient exploitation of the intrinsic structural properties of traffic data. To address these challenges, we reformulate the traffic data recovery problem within a streaming framework, and propose a novel online robust tensor recovery algorithm that simultaneously leverages both the global spatio-temporal correlations and local consistency of traffic data, achieving high recovery accuracy and significantly improved computational efficiency in large-scale scenarios. Our method is capable of simultaneously handling missing and anomalous values in traffic data, and demonstrates strong adaptability across diverse missing patterns. Experimental results on three real-world traffic datasets demonstrate that the proposed approach achieves high recovery accuracy while significantly improving computational efficiency by up to three orders of magnitude compared to state-of-the-art batch-based methods. These findings highlight the potential of the proposed approach as a scalable and effective solution for traffic data quality enhancement in ITS.
• Abstract（参考訳）: データ品質はIntelligent Transportation Systems(ITS)にとって重要であり、交通管理と管理における信頼性の高い意思決定を支える完全な正確な交通データである。 低ランクテンソルリカバリアルゴリズムの最近の進歩は、高次元の交通データの本質的な構造を捉え、劣化した観測を復元する強力な可能性を示している。 しかし、従来のバッチベースの手法では、大量の計算とストレージを必要とするため、トラフィックデータボリュームが継続的に拡大する中でスケーラビリティが制限される。 さらに,近年のオンラインテンソルリカバリ手法は,交通データ固有の構造特性の活用が不十分なため,複雑な実世界のシナリオにおいて深刻な性能劣化に悩まされることが多い。 これらの課題に対処するため,我々は,ストリーミングフレームワーク内のトラフィックデータ復旧問題を再構成し,グローバル時空間相関とトラヒックデータの局所的整合性の両方を同時に活用し,高いリカバリ精度を実現し,大規模シナリオにおける計算効率を大幅に向上させる,新しいオンライン・ロバスト・テンソル・リカバリ・アルゴリズムを提案する。 本手法は,交通データ中の欠落値と異常値の同時処理が可能であり,多様な欠落パターンに対して高い適応性を示す。 3つの実世界の交通データセットによる実験結果から,提案手法は,最先端のバッチベース手法と比較して最大3桁の計算効率を向上し,高い回復率を達成することが示された。 これらの知見は,ITSにおけるトラヒックデータ品質向上のためのスケーラブルで効果的なソリューションとして,提案手法の可能性を浮き彫りにした。

関連論文リスト

• A Joint Topology-Data Fusion Graph Network for Robust Traffic Speed Prediction with Data Anomalism [12.43932698231744]
  本稿では,ネットワークレベルのトラフィック速度予測のための革新的なフレームワークであるGraph Fusion Enhanced Network (GFEN)を提案する。 GFENは、トレーニング可能な手法を用いて、データ分布とネットワークトポロジの両方から空間時間相関を抽出する。 実験により、GFENは最先端の手法を約6.3%超え、予測精度と収束速度は最近のハイブリッドモデルの約2倍速くなることが示された。
  論文  参考訳（メタデータ） (2025-06-30T06:33:47Z)
• A Time-Enhanced Data Disentanglement Network for Traffic Flow Forecasting [0.3203976017867677]
  交通流予測(TEDDN)のための時間拡張データ分散ネットワーク TEDDNは、もともと複雑で絡み合ったトラフィックデータを安定したパターンとトレンドに分解する。
  論文  参考訳（メタデータ） (2025-06-03T08:28:48Z)
• Efficient and Robust Freeway Traffic Speed Estimation under Oblique Grid using Vehicle Trajectory Data [19.01488741469791]
  斜め交通速度を正確に推定するための効率的でロバストな低ランクモデルを提案する。 提案手法は,TSEシナリオにおけるルート平均角誤差(RMSE)を最大12%改善する。 最先端のSOTA(State-of-the-art)メソッドよりも20倍以上高速に動作します。
  論文  参考訳（メタデータ） (2024-11-06T15:13:40Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• Traffic Prediction with Transfer Learning: A Mutual Information-based Approach [11.444576186559487]
  そこで我々は,他の都市からのビッグデータを用いて交通予測を行う都市間交通予測手法であるTrafficTLを提案する。 TrafficTLは3つの実世界のデータセットの包括的なケーススタディによって評価され、最先端のベースラインを約8～25%上回る。
  論文  参考訳（メタデータ） (2023-03-13T15:27:07Z)
• Towards better traffic volume estimation: Jointly addressing the underdetermination and nonequilibrium problems with correlation-adaptive GNNs [47.18837782862979]
  本稿では, 交通量推定に関する2つの重要な問題について考察する。(1) 未検出運動による交通流の過小評価, (2) 渋滞伝播による非平衡交通流。 上記の問題に対処するために,データ駆動型,モデルフリー,相関適応型アプローチをグラフベースで実現するディープラーニング手法を実証する。
  論文  参考訳（メタデータ） (2023-03-10T02:22:33Z)
• 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)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)
• Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images [7.053891669775769]
  我々は,GAN(Generative Adversarial Network)に基づく交通センサデータ計算フレームワーク(TGAN)を開発した。 本研究では,GASF(Gramian Angular Summation Field)と呼ばれる新しい時間依存符号化手法を開発した。 本研究は,提案モデルにより,平均絶対誤差 (MAE) とルート平均正方形誤差 (RMSE) をベンチマークデータセットの最先端モデルと比較することにより,トラフィックデータ計算精度を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2020-05-05T19:14:02Z)

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。