[論文レビュー] Laplacian Convolutional Representation for Traffic Time Series Imputation

Xinyu Chen, Zhanhong Cheng+3 more|arXiv (Cornell University)|Dec 3, 2022

Traffic Prediction and Management Techniques被引用数 7

ひとこと要約

本稿では、循環行列の核ノルム最小化と円形畳み込みを用いたラプラシアン時系列正則化を統合することで、低ランクラプラシアン畳み込み表現（LCR）モデルを提案する。この手法により、高速なFFTベース最適化が可能となり、ノイズ、周期性、欠損値を含む交通時系列データの再構成において、最先端のベースラインを上回る優れた精度を達成する。これは一変量および多変量設定の両方で有効である。

ABSTRACT

Spatiotemporal traffic data imputation is of great significance in intelligent transportation systems and data-driven decision-making processes. To perform efficient learning and accurate reconstruction from partially observed traffic data, we assert the importance of characterizing both global and local trends in time series. In the literature, substantial works have demonstrated the effectiveness of utilizing the low-rank property of traffic data by matrix/tensor completion models. In this study, we first introduce a Laplacian kernel to temporal regularization for characterizing local trends in traffic time series, which can be formulated as a circular convolution. Then, we develop a low-rank Laplacian convolutional representation (LCR) model by putting the circulant matrix nuclear norm and the Laplacian kernelized temporal regularization together, which is proved to meet a unified framework that has a fast Fourier transform (FFT) solution in log-linear time complexity. Through extensive experiments on several traffic datasets, we demonstrate the superiority of LCR over several baseline models for imputing traffic time series of various time series behaviors (e.g., data noises and strong/weak periodicity) and reconstructing sparse speed fields of vehicular traffic flow. The proposed LCR model is also an efficient solution to large-scale traffic data imputation over the existing imputation models.

研究の動機と目的

• 従来の低ランクモデルが交通時系列の局所的時系列トレンドを捉えることの制限を解決すること。
• 交通データにおけるグローバルな低ランク構造と局所的時系列滑らかさを統合的にモデル化する効率的で包括的なフレームワークの構築。
• 高速フーリエ変換（FFT）を用いて、大規模でスパースかつノイズの多い交通時系列データに対する高速でスケーラブルな補完を実現すること。
• 提案モデルの適用範囲を交通データにとどめず、画像補完などの他の逆問題へ拡張すること。
• ラプラシアン正則化が再構成品質を向上させつつ計算効率を維持する有効性を実証すること。

提案手法

• LCRモデルは、循環行列の核ノルムを用いてグローバルな低ランクトレンドを捉え、ラプラシアンに基づく時系列正則化項（円形畳み込みとして定式化）を統合する。
• ラプラシアン時系列正則化は、循環グラフのラプラシアン行列から導出され、高速フーリエ変換（FFT）を用いた効率的な計算が可能である。
• 最適化問題は、交替方向乗数法（ADMM）を用いて解かれる。非凸問題が周波数領域における閉形式更新の系列に変換される。
• 循環行列演算および円形畳み込みがフーリエ領域で対角化されることを活用し、核ノルムおよびℓ1ノルム最小化を複素周波数領域で効率的に計算できる。
• テンソル化されたデータ構造に循環構造を適用することで、同じフレームワークを多変量および3次元データ（例：画像補完）に拡張する。
• ハイパーパrameterは交差検証により調整され、異なる欠損データ率およびノイズレベルの下でモデルが評価される。

実験結果

リサーチクエスチョン

• RQ1 ラプラシアンに基づく時系列正則化は、計算効率を維持したまま、交通時系列の局所的トレンドのモデリングを改善できるか？
• RQ2 循環行列の核ノルムとラプラシアン正則化の統合は、標準的な低ランクモデルと比較して、補完精度をどのように向上させるか？
• RQ3 LCRのFFTベース実装は、従来の行列／テンソル補完手法と比較して、時間計算量をどの程度低減するか？
• RQ4 LCRフレームワークは、特に高い欠損率下でも、画像などの多次元データに一般化可能か？
• RQ5 ノイズが多いまたはスパースな交通時系列データにおいて、ラプラシアン正則化の導入が再構成品質を顕著に向上させるか？

主な発見

• 90%の欠損率を持つカラー画像補完タスクにおいて、LCRモデルは25.82 dBのPSNRを達成し、同じ欠損パターン下でCircNNM（23.38 dB）を上回った。
• 行および列方向のマスキングを伴う75%欠損率のシナリオにおいて、LCR-3Dはγ = 10λの条件下で22.31 dBのPSNRを達成し、CircNNM（21.52 dB）を顕著に上回った。
• 実世界の交通時系列データセットにおいて、LCRは強周期性・弱周期性・高ノイズレベルといった多様な時系列行動において、優れた補完精度を示した。
• FFT加速のおかげで、ハケルトおよび畳み込みベースの低ランクモデルと比較して、収束が速く、時間計算量も低かった。
• アブレーションスタディにより、ラプラシアン正則化が特にノイズが多いまたはスパースなデータ環境下で、局所的滑らかさと再構成忠実度を顕著に向上させることを確認した。
• LCRフレームワークは画像補完タスクへも効果的に一般化され、極端な欠損パターン下でも頑健な性能を示した。