Directorio de artículos
Lista de efectos
Resumen del artículo
Python implementa un método de estimación continua del tráfico faltante en las redes de carreteras urbanas basado en la descomposición del tensor DFCP. Los resultados de la aplicación de MAPE y RMSE comparan el impacto de diferentes tipos faltantes y tasas faltantes en su rendimiento. También analizamos la precisión de los patrones faltantes aleatorios y los patrones faltantes no aleatorios en escenarios faltantes espaciados. a través de experimentos
contenido de la investigación
◾ Paso 1: Seleccione un conjunto de segmentos de carretera similares en el área de estudio para estimar los valores de tráfico faltantes. Se utilizó el análisis de correlación para evaluar la similitud de los fragmentos.
◾ Paso 2: Construya una estructura de modelo basada en tensores DFCP y utilice un modelo tensor de 4 vías para representar las dimensiones de día por día, segmento por segmento, intervalo de tiempo por tiempo y datos por datos. Además, se determinó el tamaño de los datos de entrada de cada dimensión.
◾ Paso 3: Calcule el coeficiente de penalización de regularización para cada dimensión. El método de hiperparámetros de optimización bayesiana se utiliza para encontrar el valor óptimo.
◾ Paso 4: Compare los resultados de entrada al incluir y excluir datos de múltiples fuentes en el modelo tensorial. Además, se evalúa según diferentes tipos de faltantes y diferentes tasas de faltantes, y se compara con otros métodos de referencia.
(1) Integramos la fusión de datos homogénea en el marco de descomposición del tensor CP para manejar a largo plazo.