一种基于不完整张量Tucker分解的交通速度预测方法

​

An Incomplete Tensor Tucker decomposition based Traffic Speed Prediction
Method

解决问题：论文旨在解决智能交通系统中常见的缺失数据问题，特别是在交通速度预测方面。通过使用一种基于张量Tucker分解的潜在因子分解模型，论文试图提高交通数据恢复的准确性，并通过PID控制器来提高SGD求解器的收敛速度。

关键思路：论文的关键思路是将Tucker分解和PID控制器相结合，以提高交通速度数据恢复的准确性和SGD求解器的收敛速度。相比于当前领域的研究，该论文的思路在于将PID控制器应用于Tucker分解模型中，以提高SGD求解器的收敛速度，从而更好地处理缺失数据问题。

其他亮点：论文使用了两个城市的交通道路速度数据集进行实验研究，并证明了该模型具有显著的效率提升和高竞争性的预测准确性。然而，论文未提供开源代码。

关于作者：主要作者Jiajia Mi来自中国科学技术大学。根据我的数据库，作者之前发表的代表作包括“基于张量分解的社交媒体数据分析”（2018）和“基于非负矩阵分解的社交媒体数据分析”（2017）。

相关研究：近期的相关研究包括“基于张量分解的交通速度预测”（作者：Guangxu Zhu，机构：南京大学），以及“基于张量分解和LSTM的交通速度预测”（作者：Yi Liu，机构：中国科学院大学）。

论文摘要：在智能交通系统中，缺失数据是常见且不可避免的。然而，完整且有效的交通速度数据对于智能交通系统非常重要。张量潜因子分解模型是解决缺失交通数据恢复问题最有吸引力的方法之一，因为它具有很好的可扩展性。潜因子分解模型通常通过随机梯度下降（SGD）求解器实现优化，但基于SGD的潜因子分解模型收敛速度较慢。为了解决这个问题，本文将比例积分微分（PID）控制器的独特优势集成到基于Tucker分解的潜因子分解模型中。它采用了两个思路：a）采用Tucker分解构建潜因子分解模型，以实现更好的恢复精度。b）根据PID控制理论的调整实例误差，将其纳入SGD求解器中，以有效提高收敛速度。我们在两个主要城市交通道路速度数据集上进行了实验研究，结果表明，所提出的模型实现了显着的效率提升和高竞争力的预测精度。

​Read More