[논문 리뷰] Laplacian Convolutional Representation for Traffic Time Series Imputation

Xinyu Chen, Zhanhong Cheng외 3명|arXiv (Cornell University)|2022. 12. 03.

Traffic Prediction and Management Techniques인용 수 7

한 줄 요약

이 논문은 원형 컨volution을 통한 라플라시안 시간 정규화와 순환 행렬 노름 최소화를 통합하여 스펙트로시간적 교통 시간 시리즈의 누락값 보정을 위한 저질서 라플라시안 컨volution 표현(LCR) 모델을 제안한다. 이 방법은 FFT 기반 최적화를 가능하게 하여 소음, 주기성, 누락값이 있는 교통 데이터를 뛰어난 정확도로 복원하며, 단변량 및 다변량 설정 모두에서 최신 기술을 능가한다.

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.

연구 동기 및 목표

• 기존의 저질서 모델이 교통 시간 시리즈의 국소적 시간 추세를 포착하는 데 한계를 가진다는 문제를 해결하기 위해.
• 전역 저질서 구조와 국소적 시간 스무쓰함을 동시에 모델링하는 효율적이고 통합된 프레임워크를 개발하기 위해.
• 빠른, 확장 가능한 보정을 위해 대규모, 희소하고 노이즈가 많은 교통 시간 시리즈에 대해 푸리에 변환(FFT)을 활용하기 위해.
• 제안된 모델의 적용 가능성을 교통 데이터를 초월해 이미지 복원과 같은 다른 역문제로 확장하기 위해.
• 라플라시안 정규화가 계산 효율성을 유지하면서 복원 품질을 향상시키는 데 효과적인지 입증하기 위해.

제안 방법

• LCR 모델은 전역 저질서 추세를 포착하기 위해 순환 행렬의 핵심 노름과, 원형 컨볼루션으로 표현된 라플라시안 기반 시간 정규화 항을 결합한다.
• 라플라시안 시간 정규화는 순환 그래프의 라플라시안 행렬에서 유도되며, 이는 빠른 푸리에 변환(FFT)을 통해 효율적으로 계산할 수 있다.
• 최적화 문제는 비볼록 문제를 주파수 도메인에서의 폐쇄형 업데이트 시퀀스로 변환하는 분할 역할 방법(ADMM)을 사용하여 해결된다.
• 이 방법은 순환 행렬 연산과 원형 컨볼루션의 특성인 푸리에 도메인에서의 대각화를 활용하여, 핵심 노름과 ℓ1-노름 최소화를 복소 주파수 도메인에서 효율적으로 계산할 수 있다.
• 3D 데이터(예: 이미지 복원)와 같은 다변량 데이터에 대해서는, 순환 구조를 가진 텐서화된 데이터 구조에 동일한 프레임워크를 적용하여 모델을 확장한다.
• 초기화 조정은 교차 검증을 통해 이루어지며, 다양한 누락 데이터 비율과 노이즈 수준에서 모델을 평가한다.

실험 결과

연구 질문

• RQ1 라플라시안 기반 시간 정규화는 계산 효율성을 유지하면서 교통 시간 시리즈의 국소적 추세 모델링을 향상시킬 수 있는가?
• RQ2 순환 행렬 핵심 노름과 라플라시안 정규화의 통합이 기존의 저질서 모델에 비해 보정 정확도를 어떻게 향상시키는가?
• RQ3 기존의 행렬/텐서 완성 방법에 비해 LCR의 FFT 기반 구현이 시간 복잡도를 얼마나 감소시키는가?
• RQ4 LCR 프레임워크는 고도로 누락된 데이터 비율에서도 다차원 데이터(예: 이미지)로 일반화될 수 있는가?
• RQ5 노이즈가 많거나 희소한 교통 시간 시리즈에서 라플라시안 정규화의 포함이 복원 품질을 상당히 향상시키는가?

주요 결과

• 90% 누락률의 색상 이미지 복원 작업에서 LCR 모델은 동일한 누락 패턴에서 CircNNM(23.38 dB)을 능가하는 PSNR 25.82 dB을 달성했다.
• 행과 열 기반 마스킹이 적용된 75% 누락률 상황에서 LCR-3D는 γ = 10λ일 때 PSNR 22.31 dB을 기록하여 CircNNM(21.52 dB)보다 유의미하게 높았다.
• 실제 교통 데이터셋에서 LCR는 강한/약한 주기성과 고노이즈 수준 등 다양한 시간 시리즈 행동에 대해 뛰어난 보정 정확도를 보였다.
• FFT 가속 덕분에 하켄델 및 컨볼루션 기반 저질서 모델보다 더 빠른 수렴 속도와 낮은 시간 복잡도를 달성했다.
• 제거 실험을 통해 라플라시안 정규화가 특히 노이즈가 많거나 희소한 데이터 영역에서 국소적 스무쓰함과 복원 정밀도를 크게 향상시킨다는 것이 확인되었다.
• LCR 프레임워크는 이미지 복원 작업으로도 효과적으로 일반화되어, 극단적인 누락 데이터 패턴에서도 강인한 성능을 보였다.