センサーの故障や通信障害などによる交通データの不足は、ITSの開発や応用に大きな制約を与えています。失われたデータを正確かつ効率的に復元する方法は、ITS にとって重要な問題となっています。近年、トラフィックデータの補完にはLRTC(Low Rank Tensor Completion)という手法が広く使われています。この記事では、交通データの完成に関する最近の文献をいくつか紹介します。批判や修正は大歓迎です！
1、LRSSRTC（2022）
文献：交通センサーネットワークのための新しい時空間データの低ランク代入アプローチ
ジャーナル: IEEE モノのインターネットジャーナル
著者: Xiaobo Chen、Shuron Liang、Zhihao Zhang、Feng Zhao
要約: モノのインターネット (IoT) は、乗客のエクスペリエンス、安全性、効率性を向上させ、交通業界を変革する大きな可能性を秘めています。ただし、交通センサー ネットワークによって収集された時空間データは欠損値 (MV) の影響を受けることが多く、システム全体のパフォーマンスに影響を与えます。したがって、輸送における IoT の適用を成功させるには、MV を正確に回復することが重要です。この論文では、低ランク テンソル補完 (LRTC) とスパース自己表現を統一フレームワークに統合することにより、MV の新しい代入モデルを提案します。このようにして、大域的な多次元相関とサンプルの自己相似性を代入にうまく利用できます。提案されたモデルを解決するために、この論文では乗算器の交互方向法 (ADMM) の原理に従って複雑な解決アルゴリズムを提案します。重要なのは、ADMM の各ステップは、問題の構造を分析することで効果的に実装できるということです。さらに,モデルに適切なパラメータを選択するために,本論文は,現在の調和メモリに含まれる情報を十分に考慮する二重調和生成戦略に基づく改良された調和探索ヒューリスティックアルゴリズムを提案する。提案された方法を評価するために、2 つの現実世界の交通データに対して実験が行われます。結果は、この方法が古典的な行列/テンソル補完アルゴリズムや他の競合アルゴリズムと比較して代入パフォーマンスを大幅に向上させることを示しています。
主なアイデア: 重み付き SNN を使用してグローバルな低ランク構造をモデル化し、スパース自己表現を使用してローカル特性 (周期性) をモデル化します。
2、TBTC（2023）
文献：ネットワークトラフィック測定データ回復のための変換ベースのベイジアンテンソル補完法
期刊：ネットワーク科学技術に関するIEEEトランザクション
著者: Zecan Yang、Laurence T. Yang、Lingzhi Yi、Xianjun Deng、Chenlu Zhu、Yiheng Ruan
要約: ネットワーク トラフィックの測定は、次世代ネットワーク システムの基礎とみなされます。その目的は、ネットワーク トラフィックを監視し、トラフィック エンジニアリングのためのデータ サポートを提供することです。したがって、ネットワーク全体の観点からトラフィック データを監視することが特に重要です。しかし、ネットワーク サービスの急増によりネットワーク トラフィックが爆発的に増加し、ネットワーク トラフィックの測定に大きな課題をもたらしています。したがって、部分的なトラフィックデータからネットワーク全体のトラフィックをどのように推測するかが非常に重要です。この論文では、ネットワーク トラフィック データを推論するための変換ベースのベイジアン テンソル補完 (TBTC) 方法を提案します。まず、欠損エントリを持つ異種ネットワーク トラフィック データは、時間次元およびその他の属性に従って観測テンソルに編成され、次に、因子テンソルのサイドスライス スパース性が、スパース階層を事前に使用することによって誘導され、ファロピアン ランクが観測テンソルを推定することができ、さらに、モデル学習のための変分ベイジアン推論方法が提案され、効率的な更新方法が提案されます。最後に、線形変換に基づくテンソル完成モデルの 2 つの計算例が実験で実装されます。2 つの実際のネットワーク トラフィック データセットに関する実験結果により、提案された方法がネットワーク トラフィック データを効率的かつ正確に回復できることが確認されました。
主なアイデア: ベイズ理論に基づいて、欠損テンソルは 2 因子テンソルのコサイン変換積/可逆線形変換のテンソル - テンソル積として表現され、TNN によって最適化されて解決されます。
コサイン変換積:
可逆線形変換のテンソル - テンソル積
3、マニRTD（2023）
文献：時空間交通データ代入のための多様体正則化タッカー分解アプローチ
出典: arXiv:2305.06563v2 [stat.ML] 2023 年 5 月 16 日
著者: Wenwu Gong、Zhejun Huang、Lili Yang
要約: 部分的に観測された交通データから欠損データを推定する時空間交通データ補間 (STDI) は、データ駆動型高度道路交通システム (ITS) において避けられない課題です。トラフィック データの多次元および時空間特性により、欠損データの補完はテンソル補完問題として扱われます。過去 10 年間、STDI のテンソル分解に基づいて多くの研究が行われてきました。ただし、時空間相関とコア テンソル スパース性を利用して代入パフォーマンスを向上させる方法はまだ解決されていません。この論文では、ランク 3/4 ランクのハンケル テンソルを再形成し、革新的な多様体正則化タッカー分解 (ManiRTD) STDI モデルを提案します。具体的には、多方向遅延埋め込み変換を導入することにより、知覚交通状態データを 3/4 テンソルとして表します。次に、ManiRTD は、スパース正則化項を使用してタッカー カーネルのスパース性を改善し、因子行列の多様体正則化と時間制約項を採用して時空間相関を特徴付けます。最後に、ManiRTD モデルは、交互近位勾配更新規則に基づくブロック座標降下フレームワークによって特徴付けられます。数値実験は、現実世界の時空間交通データセット (STD) に対して実行されます。我々の結果は、提案されたモデルが他の因数分解手法よりも優れており、さまざまな欠落シナリオの下で STD をより正確に再構築することを示しています。
主なアイデア: 多方向遅延埋め込み変換を使用して行列を再形成して 4 次のハンケル テンソルを形成し、タッカー分解を使用して長期的なグローバル トレンドをマイニングし、多様体正則化とテプリッツ正則化を通じて短期的なローカル トレンドを捕捉します。
4、レッチ（2023）
文献：大規模な交通速度推定のための相関スパースセンシング: ラプラシアン強化低ランクテンソルクリギングアプローチ
期刊：交通研究パート C: 新興技術
著者: Tong Nie、Guoyang Qin、Yunpeng Wang、Jian Sun
要約: 交通速度は、道路ネットワークのモビリティを特徴付ける際の核心です。リアルタイム ナビゲーション、動的なルート計画、渋滞管理など、多くの交通アプリケーションがこれに依存しています。センシング技術と通信技術の急速な進歩により、交通速度の検出がこれまでより簡単になりました。ただし、静的センサーの導入がまばらであること、またはモバイル センサーの普及率が低いことにより、検出された速度は不完全であり、ネットワーク全体での使用には程遠いものとなっています。さらに、センサーはさまざまな理由でデータの誤りや欠落が発生する傾向があり、速度が上がると非常にノイズが多くなる可能性があります。これらの欠点を解決するには、不完全なデータから妥当な推定値を復元する効率的な手法が必要です。この研究では、まずこの問題を時空間クリギング問題として特定し、限られた観測の下での大規模なトラフィック速度クリギングのための低ランクおよび多次元相関特性の両方であるラプラシアン強化低ランク テンソル補完 (LETC) フレームワークを提案します。具体的には、時間的連続性、時間的周期性、空間的近接性を含む 3 種類の速度依存性が慎重に選択され、3 つの異なる形式のグラフ ラプラシアン、時間グラフ フーリエ変換、一般化時間的一貫性正則化、および拡散マップ正則化で同時にモデル化されます。次に、いくつかの効率的な数値手法を使用して、提案されたモデルを完全なネットワーク クリギングに拡張するための効率的なソリューション アルゴリズムを設計します。2 つの公的に利用可能な 100 万レベルの交通速度データセットで実験を行うことにより、最終的に結論を導き出し、私たちが提案する LETC は、ベースライン手法と同等でありながら、低い観測レートでも最先端のクリギング パフォーマンスを達成することがわかりました。計算時間の半分以下。また、ネットワーク レベルでの時空間トラフィック データ モデリングとクリギングに関する洞察も提供します。
主要なアイデア: TNN に基づいて、TGFT (時間周期性を記述する)、DGR (空間的近接性を記述する)、GTCR (時間連続性を記述する) の正則化項目が導入されます。
