[论文解读] 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 7

一句话总结

该论文提出了一种低秩拉普拉斯卷积表示（LCR）模型，通过将循环矩阵核范数最小化与拉普拉斯时间正则化相结合，利用循环卷积实现时空交通时间序列插补。该方法支持基于快速傅里叶变换（FFT）的快速优化，在重建具有噪声、周期性和缺失值的交通数据方面表现出卓越的准确性，优于最先进的基线方法，在单变量和多变量设置下均表现优异。

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.

研究动机与目标

• 为解决传统低秩模型在捕捉交通时间序列中局部时间趋势方面的局限性。
• 开发一种高效、统一的框架，联合建模交通数据中的全局低秩结构与局部时间平滑性。
• 利用快速傅里叶变换（FFT）实现大规模、稀疏且噪声严重的交通时间序列的快速、可扩展插补。
• 将所提模型的适用性扩展至交通数据之外，应用于其他反问题，如图像修复。
• 证明拉普拉斯正则化在提升重建质量的同时，仍能保持计算效率。

提出的方法

• LCR 模型结合了循环矩阵的核范数以捕捉全局低秩趋势，以及基于拉普拉斯的时间正则化项，该正则化项通过循环卷积形式表达。
• 拉普拉斯时间正则化源自循环图的拉普拉斯矩阵，可通过快速傅里叶变换（FFT）实现高效计算。
• 使用交替方向乘子法（ADMM）求解优化问题，将非凸问题转化为频域中的一系列闭式更新。
• 该方法利用了循环矩阵运算与循环卷积在傅里叶域中可对角化的特性，使得核范数和 ℓ1-范数最小化可在复频域中高效计算。
• 通过将相同框架应用于具有循环结构的张量化数据结构，将模型扩展至多变量和三维数据（如图像修复）。
• 通过交叉验证调整超参数，并在不同缺失数据率和噪声水平下对模型进行评估。

实验结果

研究问题

• RQ1 基于拉普拉斯的时间正则化是否能在保持计算效率的同时，改善对交通时间序列中局部趋势的建模？
• RQ2 与标准低秩模型相比，循环矩阵核范数与拉普拉斯正则化的结合在多大程度上提升了插补精度？
• RQ3 与现有的矩阵/张量补全方法相比，LCR 的基于 FFT 的实现将时间复杂度降低了多少？
• RQ4 LCR 框架能否推广至多维数据（如图像），特别是在高缺失数据率下？
• RQ5 在噪声或稀疏交通时间序列中，引入拉普拉斯正则化是否显著提升了重建质量？

主要发现

• 在 90% 缺失率的彩色图像修复任务中，LCR 模型达到 25.82 dB 的 PSNR，优于相同缺失模式下的 CircNNM（23.38 dB）。
• 在行和列均被掩码的 75% 缺失率场景下，LCR-3D 在 γ = 10λ 时达到 22.31 dB 的 PSNR，显著优于 CircNNM 的 21.52 dB。
• 在真实世界交通数据集上，LCR 在各种时间序列行为（包括强/弱周期性及高噪声水平）下均表现出优越的插补准确性。
• 由于 FFT 加速，该模型收敛速度更快，时间复杂度低于 Hankel 和卷积型低秩模型。
• 消融研究证实，拉普拉斯正则化显著提升了局部平滑性和重建保真度，尤其在噪声或稀疏数据场景下表现突出。
• LCR 框架在图像修复任务中具有良好的泛化能力，即使在极端缺失数据模式下也表现出稳健性能。