面對當(dāng)前龐大的智慧交通數(shù)據(jù)量,收集并統(tǒng)計(jì)處理是必要且重要的過程,但無法避免的數(shù)據(jù)缺失問題是目前的研究重點(diǎn)。文中針對車輛交通數(shù)據(jù)缺失問題提出一種基于張量的車輛交通數(shù)據(jù)缺失估計(jì)新方法:集成貝葉斯張量分解（Integrated Bayesian Tensor Decomposition,IBTD）。該算法在數(shù)據(jù)模型構(gòu)建階段,利用隨機(jī)采樣原理,將缺失數(shù)據(jù)隨機(jī)抽取生成數(shù)據(jù)子集,并用優(yōu)化后的貝葉斯張量分解算法進(jìn)行插補(bǔ)。引入集成思想,將多個插補(bǔ)后的誤差結(jié)果進(jìn)行分析排序,考慮時空復(fù)雜度,擇優(yōu)平均得到最優(yōu)結(jié)果。通過平均絕對百分比誤差之后（Mean Absolute Percentage Error,MAPE）和均方根誤差（Root Mean Square Error,RMSE）對提出模型的性能進(jìn)行評估。實(shí)驗(yàn)結(jié)果表明,所提新方法能夠有效地對不同缺失量的交通數(shù)據(jù)集進(jìn)行插補(bǔ),并能得到很好的插補(bǔ)結(jié)果。 

【文章來源】：計(jì)算機(jī)科學(xué). 2020,47(S1)北大核心

【文章頁數(shù)】：7 頁

【文章目錄】：
1 引言
2 相關(guān)研究工作
3 模型構(gòu)建
    3.1 張量模型的基本思想
    3.2 貝葉斯張量分解的基本原理
    3.3 采樣新策略
    3.4 擇優(yōu)排序機(jī)制
4 算法設(shè)計(jì)與分析
5 實(shí)驗(yàn)測試與對比分析
    5.1 速度數(shù)據(jù)
    5.2 數(shù)據(jù)張量結(jié)構(gòu)表示
    5.3 數(shù)據(jù)缺失情況
    5.4 數(shù)據(jù)修復(fù)結(jié)果及分析


【參考文獻(xiàn)】：
期刊論文
[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)



本文編號：3023838