一种基于张量的车辆交通数据缺失估计新方法

发布时间：2021-02-08 11:17

　　面对当前庞大的智慧交通数据量,收集并统计处理是必要且重要的过程,但无法避免的数据缺失问题是目前的研究重点。文中针对车辆交通数据缺失问题提出一种基于张量的车辆交通数据缺失估计新方法:集成贝叶斯张量分解（Integrated Bayesian Tensor Decomposition,IBTD）。该算法在数据模型构建阶段,利用随机采样原理,将缺失数据随机抽取生成数据子集,并用优化后的贝叶斯张量分解算法进行插补。引入集成思想,将多个插补后的误差结果进行分析排序,考虑时空复杂度,择优平均得到最优结果。通过平均绝对百分比误差之后（Mean Absolute Percentage Error,MAPE）和均方根误差（Root Mean Square Error,RMSE）对提出模型的性能进行评估。实验结果表明,所提新方法能够有效地对不同缺失量的交通数据集进行插补,并能得到很好的插补结果。 

【文章来源】：计算机科学. 2020,47(S1)北大核心

【文章页数】：7 页

【文章目录】：
1 引言
2 相关研究工作
3 模型构建
    3.1 张量模型的基本思想
    3.2 贝叶斯张量分解的基本原理
    3.3 采样新策略
    3.4 择优排序机制
4 算法设计与分析
5 实验测试与对比分析
    5.1 速度数据
    5.2 数据张量结构表示
    5.3 数据缺失情况
    5.4 数据修复结果及分析


【参考文献】：
期刊论文
[1]Empirical Likelihood Method for Quantiles with Response Data Missing at Random[J]. Xia-yan LI 1,Jun-qing YUAN 2,1 Department of Statistics and Finance,University of Science and Technology of China,Hefei 230026,China 2 School of Science,Zhejiang University of Technology,Hangzhou 310023,China.  Acta Mathematicae Applicatae Sinica（English Series）. 2012(02)



本文编号：3023838