基于张量的Viterbi算法在协同云-边缘网络物理社会活动预测中的应用

《ACM Transactions on Sensor Networks》：Tensor-Based Viterbi Algorithms for Collaborative Cloud-Edge Cyber-Physical-Social Activity Prediction

本文针对智能城市中复杂物理社会系统（CPSS）的活动预测问题，提出云边协同的CPSS框架，结合耦合隐马尔可夫模型（CHMM）和张量代数改进预测方法，通过挖掘多边缘数据中的时间、周期性和关联性特征，设计三种张量基Viterbi算法（TVA），实验证明该方法在F1值、平均精确率和召回率上优于传统矩阵方法。

　　

摘要

随着智慧城市的高速发展和应用，作为其子集的赛博物理社会系统（Cyber-Physical-Social Systems, CPSS）变得越来越重要，并吸引了广泛关注。为了满足CPSS设计的智能需求，本文首次提出了一种云边协同的CPSS框架。随后，利用耦合隐马尔可夫模型（Coupled-Hidden-Markov-Model, CHMM）和张量代数改进了现有的活动预测方法，为CPSS提供更智能的决策支持。CPSS数据中包含三个关键特征（时间性、周期性和相关性），这些特征会影响活动预测的准确性。因此，将这些特征综合集成到改进后的基于张量的CHMM（T-CHMM）中，以提高预测精度。基于多边的CPSS数据，相应地提出了三种基于张量的Viterbi算法（TVA）来解决T-CHMM的预测问题。与传统基于矩阵的方法相比，所提出的TVA能够在给定观测序列的情况下更准确地计算出最优隐藏状态序列。最后，通过自我比较和其他比较方法，在三个公开数据集上验证了所提出模型和算法的全面性能。实验结果表明，所提出的方法在F1分数、平均精确度和平均召回率方面优于所比较的三种经典方法。