本文提出了一种基于联合矩阵分解的交通拥堵数据插补模型（CIM），旨在处理交通数据中的缺失值问题。CIM利用周期性、道路相似性和时间相干性，对交通拥堵模式进行建模，有效估计缺失的拥堵程度。通过实验证明，CIM在交通数据插补任务上优于平均历史数据、模型建模和深度学习等基线方法。
基于联合矩阵分解的交通拥堵数据缺失数据填补
摘要：
现实中，由于一些意外错误而造成部分交通数据的缺失是不可避免的，这不仅影响交通管理，也阻碍了交通数据研究的发展。在本文中，我们提出了一种基于联合矩阵分解的交通拥堵数据插补模型（简称CIM）。 CIM 对交通拥堵模式的特征（包括周期性、道路相似性和时间相干性）进行联合建模，以估计缺失的拥堵值。具体来说，我们首先根据交通拥堵数据构建一个 3 阶张量。然后，我们利用空间和时间信息，通过联合矩阵分解对周期性和道路相似性进行建模。最后，我们将局部约束纳入矩阵分解过程中，以确保时间相干性。真实交通数据集上的实验结果表明，同时对拥堵模式的三个特征进行建模是有效的，并且 CIM 优于缺失交通数据插补任务的基线。
引言
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
