Convolutional Low-Rank Tensor Representation for Structural Missing Traffic Data Imputation
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
Recently, low-rank tensor completion (LRTC) methods by exploiting the global low-rankness of the target tensor have shown great potential for traffic data imputation. However, in real-world transportation networks, traffic data usually suffer from more complicated structural missing patterns than random-missing patterns, e.g., tube-missing patterns due to disruptions in wireless connections or slice-missing mechanism caused by sensor maintenance. As the naturally low-rank structure of traffic data in several missing scenarios, the existing LRTC methods indeed refrain from desirable performance for imputing traffic data. To tackle the complicated missing scenarios, we propose a convolutional low-rank tensor representation (CLRTR). Especially, CLRTR represents each unfolding matrix of the tensor as a sum of convolutions between two-dimensional (2D) filters and the corresponding low-rank coefficients, which allows us to simultaneously reveal the local patterns and the low-rankness of traffic data. Based on the CLRTR, we introduce the corresponding low-rank metric CLRTR-rank. Based on the suggested low-rank metric, we propose a traffic data imputation model that is well-suited to the complicated missing data scenarios. To implement the resultant imputation model, we design the alternating direction method of multipliers (ADMM) based algorithm with a theoretical convergence guarantee. Extensive numerical experiments on several real-world traffic datasets for both traffic data imputation and downstream traffic data prediction highlight the superiority of our model over the existing state-of-the-art matrix/tensor models for extensive missing scenarios.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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