[論文レビュー] Low-Rank Autoregressive Tensor Completion for Spatiotemporal Traffic Data Imputation

Xinyu Chen, Mengying Lei+2 more|arXiv (Cornell University)|Apr 30, 2021

Tensor decomposition and applications参考文献 28被引用数 145

ひとこと要約

本稿では、低ランクテンソル補完に自己回帰モデリングを統合することで、時空間的交通データ補完を改善する新規フレームワークであるLow-Rank Autoregressive Tensor Completion (LATC) を提案する。時系列ダイナミクスをAR(p)プロセスでモデル化し、切り捨て核ノルムを用いて低ランク近似を実施することで、グローバルなパターン（例：日次類似性）と局所的な時系列一貫性の両方を捉える。実世界の交通データセットにおける多様な欠損データシナリオにおいて、最先端手法を上回る性能を発揮する。

ABSTRACT

Spatiotemporal traffic time series (e.g., traffic volume/speed) collected from sensing systems are often incomplete with considerable corruption and large amounts of missing values, preventing users from harnessing the full power of the data. Missing data imputation has been a long-standing research topic and critical application for real-world intelligent transportation systems. A widely applied imputation method is low-rank matrix/tensor completion; however, the low-rank assumption only preserves the global structure while ignores the strong local consistency in spatiotemporal data. In this paper, we propose a low-rank autoregressive tensor completion (LATC) framework by introducing extit{temporal variation} as a new regularization term into the completion of a third-order (sensor $ imes$ time of day $ imes$ day) tensor. The third-order tensor structure allows us to better capture the global consistency of traffic data, such as the inherent seasonality and day-to-day similarity. To achieve local consistency, we design the temporal variation by imposing an AR($p$) model for each time series with coefficients as learnable parameters. Different from previous spatial and temporal regularization schemes, the minimization of temporal variation can better characterize temporal generative mechanisms beyond local smoothness, allowing us to deal with more challenging scenarios such "blackout" missing. To solve the optimization problem in LATC, we introduce an alternating minimization scheme that estimates the low-rank tensor and autoregressive coefficients iteratively. We conduct extensive numerical experiments on several real-world traffic data sets, and our results demonstrate the effectiveness of LATC in diverse missing scenarios.

研究の動機と目的

• 知的交通システムにおける欠損・破損した時空間的交通データの課題に対処すること。
• 従来の低ランク行列／テンソル補完手法が、局所的な時系列一貫性や生成的ダイナミクスを無視するという限界を克服すること。
• 交通時系列におけるグローバルな低ランク構造と局所的な時系列依存関係を両方モデリングする統合フレームワークを構築すること。
• ランダム、非ランダム、ブラックアウト欠損を含む多様な欠損データパターン下でも正確な補完を可能にすること。
• 因子分解ベースのモデルの代替として、ランクに依存しない強力なフレームワークを提供すること。切り捨て核ノルムと学習可能な自己回帰係数を用いる。

提案手法

• 日次類似性やグローバル構造をより良く捉えるために、時空間的交通データを第3次元テンソル（センサー × 時間帯 × 日）として定式化する。
• ランクパラメータを事前に定義する必要を回避するため、切り捨て核ノルムを低ランク近似に用いる。
• 時系列変動をAR(p)モデルに基づく正則化項として導入し、係数はデータから学習することで時系列生成メカニズムをモデル化する。
• 切り捨て核ノルムによるテンソルの低ランク性と、AR予測誤差の合計による時系列変動を組み合わせた目的関数を構築する。
• 反復最小化アルゴリズムを採用：テンソル更新にはADMM、自己回帰係数推定には閉形式の最小二乗法を用いる。
• 時系列を行列に展開し、各センサーに対してAR(p)モデリングを適用することで、単なる滑らかさを越えた局所的な時系列一貫性を強制する。

実験結果

リサーチクエスチョン

• RQ1 低ランクテンソル補完に自己回帰モデリングを統合することで、時空間的交通データの補完精度が向上するか？
• RQ2 提案されたLATCモデルは、ランダム、非ランダム、ブラックアウト欠損を含む多様な欠損データパターン下でどのように性能を発揮するか？
• RQ3 AR(p)による時系列生成メカニズムのモデリングは、単に低ランク構造や局所的滑らかさに依存するのと比べて、より優れた補完をもたらすか？
• RQ4 実世界の交通データセットにおいて、MAPEおよびRMSEの観点から、LATCは最先端の行列およびテンソル補完手法と比べてどのように差をつけるか？
• RQ5 提案されたフレームワークは、補完にとどまらず、欠損データ下での予測にも応用可能か？

主な発見

• 4つの実世界の交通データセットにおいて、すべての欠損データシナリオでMAPEおよびRMSEが最低水準に抑えられ、LAMC、LRTC-TNN、BTMF、SPCを上回る性能を発揮した。
• 杭州地下鉄乗車客数データセットでは、30％のランダム欠損下でMAPE 5.71％、RMSE 2.54を達成し、LRTC-TNN（6.99／3.00）およびBTMF（7.54／3.27）を上回った。
• シエトル高速道路速度データセットでは、30％のランダム欠損下でMAPE 19.12％、RMSE 24.97を達成し、SPC（27.46／68.56）およびBTMF（25.61／77.00）を顕著に上回った。
• ポートランド交通量データセット（30％ブラックアウト欠損、窓長さ4）では、MAPE 24.04％、RMSE 23.52を達成し、SPC（31.01／60.33）およびBTMF（27.85／25.68）を上回った。
• 高欠損率（最大90％）においても、特に非ランダムおよびブラックアウトシナリオで、すべてのベースラインより低い誤差を維持し、高いロバスト性を示した。
• 図5～7の可視化結果から、LATCは深刻なデータ損失下でも真の交通パターンを正確に回復でき、疎な観測からも下位の時系列ダイナミクスを学習していることが示された。