关键词:
智能交通
数据插补
低秩张量补全
Schatten p-范数
时空交通数据
摘要:
智慧交通蓬勃发展,但受限于技术因素和外部环境因素,导致收集的数据存在缺失而不能直接使用,降低了数据的直接利用率和有效性。为了合理有效地填补缺失的数据,鉴于交通数据集具有低秩特性,在低秩张量补全框架下,将数据构建成"位点×时间×天"模式的张量结构。在此结构上,提出使用加权的Schatten范数进行数值逼近,同时利用交替方向乘子法和贝叶斯优化算法对参数进行更新和寻优。将构建的补全模型和对比补全模型放在广州城市交通数据集上进行数值试验,并选取平均百分比误差和均方根误差2个评价指标。结果表明:提出的张量加权Schatten范数最小化(Tensor Weighted Schatten Norm Minimization,TWSNM)模型具有竞争性和鲁棒性。在随机缺失场景中,从低缺失率10%到高缺失率90%,TWSNM模型得到的平均百分比误差和均方根误差均小于其他补全模型。在非随机缺失场景中,低缺失率情形下,TWSNM模型的表现与其他模型相比具有竞争性。在70%和80%缺失率情况下,低秩框架下的其他模型表现出了不稳定性,误差率上升,而TWSNM模型在不同缺失率下的表现都非常稳定,即TWSNM模型兼有鲁棒性。可见,TWSNM模型能够有效完成数据补全任务,提高对交通数据的利用率,可为交通决策者提供分析与决策的依据。