基于时空特征共享的多源交通数据修复

王纪禹; 陈锐祥; 何兆成; 朱依婷; 武智刚; 许焕挺

doi:10.13471/j.cnki.acta.snus.ZR20240091

您当前的位置：

首页 >

文章列表页 >

基于时空特征共享的多源交通数据修复

研究论文 | 更新时间：2024-11-07

- 基于时空特征共享的多源交通数据修复
- Joint imputation of multi-source traffic data based on shared multi-dimensional spatiotemporal feature
- 中山大学学报(自然科学版)(中英文) 2024年63卷第5期页码：167-176
- 作者机构：
  
  1.中山大学智能工程学院 / 广东省智能交通系统重点实验室，广东深圳 518107
  2.鹏城实验室，广东深圳 518055
- 作者简介：
  
  王纪禹（1998年生），男；研究方向：智能交通系统；E-mail：wangjy365@mail2.sysu.edu.cn
  何兆成（1977年生），男；研究方向：智能交通系统；E-mail：hezhch@mail.sysu.edu.cn
- 基金信息：
  
  国家重点研发计划(2023YFB4301900);国家自然科学基金(U21B2090);中国博士后科学基金(2023M744002)
- DOI：10.13471/j.cnki.acta.snus.ZR20240091
  中图分类号： U491
- 纸质出版日期：2024-09-25，
  
  网络出版日期：2024-07-22，
  
  收稿日期：2024-03-31，
  
  录用日期：2024-04-22
- 稿件说明：
移动端阅览
王纪禹,陈锐祥,何兆成等.基于时空特征共享的多源交通数据修复[J].中山大学学报(自然科学版)(中英文),2024,63(05):167-176.

WANG Jiyu,CHEN Ruixiang,HE Zhaocheng,et al.Joint imputation of multi-source traffic data based on shared multi-dimensional spatiotemporal feature[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2024,63(05):167-176.
王纪禹,陈锐祥,何兆成等.基于时空特征共享的多源交通数据修复[J].中山大学学报(自然科学版)(中英文),2024,63(05):167-176. DOI： 10.13471/j.cnki.acta.snus.ZR20240091.

WANG Jiyu,CHEN Ruixiang,HE Zhaocheng,et al.Joint imputation of multi-source traffic data based on shared multi-dimensional spatiotemporal feature[J].Acta Scientiarum Naturalium Universitatis Sunyatseni,2024,63(05):167-176. DOI： 10.13471/j.cnki.acta.snus.ZR20240091.

摘要

本文提出了一种基于多维度特征共享的多层稀疏张量分解模型（MFS-MSTD）。该模型在CP（CANDECOMP/PARAFAC）分解的基础上，对时空因子矩阵施加低秩正则化；并采用共享低秩因子矩阵的机制表达多源交通数据之间的互补性，在非随机缺失或路段级缺失的场景下完成了因子矩阵的梯度更新。实例验证表明：在速度数据非随机缺失场景下，MFS-MSTD在RMSE、MAE和MAPE三个误差指标上相较于基线方法平均降低17%、21%和18%；在流量数据非随机缺失场景下，RMSE、MAE和MAPE平均降低52%、54%和33%。面对更复杂的路段级缺失场景，MFS-MSTD的修复性能优于TGMC-S和MTNTF两个基线模型，能很好地拟合出未观测路段的交通流量变化。

Abstract

This paper proposes a multi-layer sparse tensor decomposition model based on multidimensional feature sharing（MFS-MSTD）. On the basis of CP（CANDECOMP/PARAFAC） decomposition， this model applies low rank regularization to the spatiotemporal factor matrix. The mechanism of sharing a low rank factor matrix is adopted to express the complementarity between multi-source traffic data， and the gradient update of the factor matrix can be completed in non-random missing or segment level missing scenarios. A real experment results show that in the scenario of non-random missing speed data， MFS-MSTD reduces the RMSE， MAE， and MAPE by an average of 17%， 21%， and 18% compared to the baseline method； in the scenario of non-random missing traffic data， RMSE， MAE， and MAPE decreased by an average of 52%， 54%， and 33%. In the face of more complex road segment missing scenarios， the imputation performance of MFS-MSTD is superior to the baseline models TGMC-S and MTNTF， and it can well fit the trend of traffic volume changes in unobserved road segments.

关键词

交通数据修复多源数据共享因子矩阵CP分解

Keywords

traffic data imputationmulti-source traffic datasharing factor matrixCP decomposition

references

柏跃龙，彭理群，祁钰茜，等，2019.检测数据缺失条件下的交通流估计方法研究［J］.交通信息与安全，37（2）：99-106.

高远， 2022. 基于稀疏数据的区域路网交通状态识别与预测技术研究［D］.北京：北京交通大学.

ACAR E， DUNLAVY D M， KOLDA T G， et al， 2011. Scalable tensor factorizations for incomplete data［J］. Chemomet Intell Lab Syst， 106（1）： 41-56.

CHEN X Y， HE Z C， WANG J W， 2018. Spatial-temporal traffic speed patterns discovery and incomplete data recovery via SVD-combined tensor decomposition［J］. Transp Res Part C Emerg Technol， 86： 59-77.

CHEN Y P， ZHANG Y Q， XIA H， et al， 2022. A hybrid tensor factorization approach for QoS prediction in time-aware mobile edge computing［J］. Appl Intell， 7（52）： 8056-8072.

LINT J W C， HOOGENDOORN S P， ZUYLEN H J， 2005. Accurate freeway travel time prediction with state-space neural networks under missing data［J］. Transport Res C-Emer，13（5/6）：347-369.

LU C B， MEI Y， 2018. An imputation method for missing data based on an extreme learning machine auto-encoder［J］. IEEE Access， 6： 52930-52935.

MA Z F， TIAN H P， LIU Z C， et al， 2020. A new incomplete pattern belief classification method with multiple estimations based on KNN［J］. Appl Soft Comput， 90： 106175.

MEIER J， WEHLAN H， 2001. Section-wise modeling of traffic flow and its application in traffic state estimation［C］// IEEE Trans Intell Transp Syst. IEEE： 440-445.

NI D H， LEONARD J D， GUIN A， et al， 2005. Multiple imputation scheme for overcoming the missing values and variability issues in ITS data［J］. J Transp Eng，12（131）： 931-938.

SAID A B， ERRADI A， 2022. Spatiotemporal tensor completion for improved urban traffic imputation［J］. IEEE Trans Intell Transp Syst， 7（23）： 6836-6849.

WU Y， TAN H， LI Y， et al， 2019. A fused CP factorization method for incomplete tensors［J］. IEEE Trans Neural Netw Learn Syst， 30（3）： 751-764.

XU X Q， LIN M W， LUO X， et al， 2023. HRST-LR： A hessian regularization spatio-temporal low rank algorithm for traffic data imputation［J］. IEEE Trans Intell Transp Syst， 10（24）： 11001-11017.

YU G H， WANG L Q， WAN S C， et al， 2021. Tensor factorization with total variation for internet traffic data imputation［J］. Pacific J Optim， 17（3）： 486-505.

ZHANG H， CHEN P， ZHENG J F， et al， 2019. Missing data detection and imputation for urban ANPR system using an iterative tensor decomposition approach［J］. Transp Res Part C Emerg Technol， 107： 337-355.

ZHANG Z C， LI M， LIN X， et al， 2020. Network-wide traffic flow estimation with insufficient volume detection and crowdsourcing data［J］. Transp Res Part C Emerg Technol， 121： 102870.

ZHU Y T， WANG J Y， WANG J B， et al， 2022. Multitask neural tensor factorization for road traffic speed-volume correlation pattern learning and joint imputation［J］. IEEE Trans Intell Transp Syst， 23（12）： 24550-24560.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

暂无数据