基于Lp,?-范数的高质量表示学习方法用于时空交通速度数据 杨磊、 马子文和 侯一凯

《Entropy》：High-Quality Representation Learning Approach to Spatio-Temporal Traffic Speed Data with Lp,?-Norm Lei Yang, Ziwen Ma and Yikai Hou

时空数据缺失的智能交通系统优化模型研究，提出自适应Lp-norm融合模糊控制的LFT模型，通过动态调整p和ε参数增强对异常值的鲁棒性，实验表明相比7种SOTA方法在六个城市交通数据集上提升数据补全精度和计算效率。

　　

摘要

在智能交通系统（ITS）领域，实现最佳系统性能在很大程度上依赖于获取全面且高质量的时空交通数据。在实际的数据收集过程中，传感器故障或通信中断等因素常常导致数据记录不完整或缺失，这严重阻碍了ITS应用的进展。为了解决时空数据缺失的问题，一种广泛采用的范式是张量潜在因子分解（LFT）模型。传统的LFT框架通常在其学习目标中使用标准的L2范数，这使得它们容易受到异常数据点的影响。此外，在传感器和通信场景中经常会出现脉冲噪声。为了解决这些限制，本文提出了一种自适应的LFT模型，该模型基于两个核心概念： (a) 构建一个基于L2范数的泛化目标函数，以提高模型对异常值的鲁棒性； (b) 通过模糊控制器实现模型超参数的自适应调整，从而提高模型的实用性。 在来自多个城市交通网络的六个交通速度数据集上的实验评估表明，所提出的LFT模型在数据插补准确性和计算效率方面均显著优于七种现有的最先进方法。