Jointly Low-Rank Tensor Completion for Estimating Missing Spatiotemporal Values in Logistics Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With the deepening of industry 4.0 paradigm in logistics systems, artificial intelligent has been widely used to improve the quality of logistics services. Considering that data collected in comprehensive logistics service system usually integrate multistage complex information such as traffic flow records and spatiotemporal trajectory, it is inevitable that the data are incomplete and partially missing due to equipment failures, communication interruptions, etc. As an effective spatiotemporal completion tool in logistics systems, low-rank tensor completion has aroused extensive research interest thanks to its excellent performance on data recovery. Although existing tensor completion methods effectively capture the complex associations/dependencies of multidimensional inputs, they fail to exploit the potential characteristics of spatiotemporal data, such as the periodicity. In this article, we propose a jointly low-rank tensor completion method for logistics data completion, which constructs multiple periodic subtensors by setting an appropriate time window, then performs jointly low-rank completion and imputation. In addition, we also provide an optimization algorithm based on Alternating Direction Method of Multiplier framework for the proposed problem. Experimental results on four logistics-related datasets have further demonstrated the promising performance of the proposed method compared with other state-of-the-art competitors. We believe that the proposed approach not only effectively maintains the advantages of classical completion methods, but also fully excavates the multidimensional correlation and hidden patterns behind records, and further provides a novel and effective strategy for data completion and imputation in logistics systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle