[论文解读] Low-Rank Hankel Tensor Completion for Traffic Speed Estimation

Xudong Wang, Yuankai Wu+2 more|arXiv (Cornell University)|May 21, 2021

Tensor decomposition and applications参考文献 26被引用 4

一句话总结

本文提出一种数据驱动、无需模型的交通速度估计方法，基于低秩Hankel张量补全。通过应用时空延迟嵌入，将稀疏轨迹数据转换为四阶Hankel张量，利用低秩结构与通过ADMM求解的截断核范数最小化，准确恢复全局与局部时空模式，在高达88%数据稀疏度下仍优于现有方法。

ABSTRACT

This paper studies the traffic state estimation (TSE) problem using sparse observations from mobile sensors. Most existing TSE methods either rely on well-defined physical traffic flow models or require large amounts of simulation data as input to train machine learning models. Different from previous studies, we propose a purely data-driven and model-free solution in this paper. We consider the TSE as a spatiotemporal matrix completion/interpolation problem, and apply spatiotemporal delay embedding to transform the original incomplete matrix into a fourth-order Hankel structured tensor. By imposing a low-rank assumption on this tensor structure, we can approximate and characterize both global and local spatiotemporal patterns in a data-driven manner. We use the truncated nuclear norm of a balanced spatiotemporal unfolding -- in which each column represents the vectorization of a small patch in the original matrix -- to approximate the tensor rank. An efficient solution algorithm based on the Alternating Direction Method of Multipliers (ADMM) is developed for model learning. The proposed framework only involves two hyperparameters, spatial and temporal window lengths, which are easy to set given the degree of data sparsity. We conduct numerical experiments on real-world high-resolution trajectory data, and our results demonstrate the effectiveness and superiority of the proposed model in some challenging scenarios.

研究动机与目标

• 解决移动传感器提供的稀疏、不完整数据在交通状态估计（TSE）中的挑战，尤其在缺乏物理模型或大规模仿真数据集的情况下。
• 开发一种完全基于数据、无需模型的框架，以捕捉交通速度数据中的全局与局部时空相关性。
• 通过利用时空数据中固有的低秩结构，减少对先验物理假设或大规模训练数据的依赖。
• 通过增强局部与全局模式恢复，提升在极端缺失数据场景（如高达88%缺失值）下的插补精度。

提出的方法

• 通过双向时空延迟嵌入（Hankelization）将不完整的时空交通速度矩阵转换为四阶Hankel张量。
• 对张量进行平衡的时空展开，以实现通过截断核范数的高效低秩近似。
• 使用交替方向乘子法（ADMM）求解张量补全问题，采用高效、迭代的优化算法。
• 对展开后的张量施加低秩约束，以捕捉交通动态中的全局趋势与局部一致性。
• 仅使用两个超参数——空间窗口长度τs与时间窗口长度τt——基于数据稀疏度与计算约束进行调节。
• 采用截断核范数最小化来近似张量秩，实现无需完整SVD计算的鲁棒且高效的补全。

实验结果

研究问题

• RQ1 一种完全基于数据、无需模型的方法能否在不依赖物理交通流模型的前提下，有效估计来自稀疏移动传感器数据的交通速度？
• RQ2 低秩Hankel张量补全在高度不完整数据中，能否有效恢复如波前与拥堵转变等复杂时空模式？
• RQ3 时空延迟嵌入对保持交通速度数据中局部与全局相关性有何影响？
• RQ4 在极端数据稀疏条件下，该方法在准确率与计算效率方面相较于最先进TSE方法表现如何？
• RQ5 在平衡展开上使用截断核范数，能否提供一种计算高效且有效的全张量秩近似替代方案？

主要发现

• 所提出的STH-LRTC方法在恢复波前与小尺度交通过渡方面，显著优于MFTV与ASM，尤其在高缺失度场景（如88%缺失值）下表现更优。
• STH-LRTC成功恢复了ASM所模糊或遗漏的小波前，展现出更强的局部模式保持能力。
• 在NGSIM数据上，当仅5%轨迹可用时，运行时间缩短至96.3秒（±5.4），显著优于STH-SNN（290.5秒）与STH-Tucker（288.7秒），归因于每次迭代仅需一次SVD计算。
• 低秩结构有效捕捉了全局趋势，而延迟嵌入增强了局部一致性，从而实现对复杂交通动态的准确恢复。
• 两个超参数（τs与τt）足以控制模型敏感性与计算成本之间的权衡，使该方法在实际部署中具备可行性。