低秩张量补全的时空交通数据预测

为实时动态评估交通态势,结合低秩张量补全理论,提出了一种基于自回归正则项与拉普拉斯正则项的交通速度预测模型;为提高模型在全局空间维度的表达能力,构建基于低秩张量补全框架的拉普拉斯卷积正则项表示路段间的关联关系;为提高模型在局部空间维度的表达能力,利用自回归模型的时间序列趋势捕获能力提高模型在时间维度的短时与长时表达能力,更精确地捕获交通数据的时空信息;为提高算法效率,通过时域与频域信号的转换降低了矩阵运算量,并采用截断核范数作为低秩张量逼近模型;使用交替方向乘子法实现高效的低秩拉普拉斯自回归张量补全(LLATC)预测方法;基于出租车行驶速度数据集和高速公路交通速度数据集,分析了LLATC算法在不同缺失率情况下的补全效果,对比了LLATC算法与其他基线预测算法的预测精度。研究结果表明:在交通数据随机缺失模式下,缺失率为20%~70%时,相对于传统的低秩张量补全模型,LLATC算法补全平均绝对误差降低了2%~6%,相比于传统的预测方法,LLATC算法预测平均绝对误差降低了4%~22%;在交通数据非随机缺失模式下,相对于传统的低秩张量补全模型,LLATC算法的平均绝对误差降低了2%~6%,相比于传统的预测方法,LLATC算法的预测平均绝对误差降低了13%~25%。可见,在2种交通数据缺失模式下,改进低秩张量补全方法降低了交通量数据的补全误差,能有效提高交通数据的预测精度,简化了数据处理流程。

基于边缘智能计算的城市交通感知数据自适应恢复

智能交通系统(intelligent transportation systems,ITSs)被广泛用于智慧城市中,却普遍存在感知数据缺失问题.而交通感知站点有限的存储计算能力严重制约感知数据的恢复,极大影响ITSs的正常使用.虽然可以利用边缘节点强大的存储计算能力解决这个困境,但边缘节点部署的高复杂性和感知数据时空相关性的高动态性对数据精确恢复提出挑战.为了解决上述挑战,提出基于边缘智能计算的城市交通感知数据自适应恢复系统.具体地,首先利用子模优化理论,提出具有理论下界的边缘节点次优部署分配算法.然后,基于低秩理论恢复感知数据,并基于恢复结果估计非缺失下限,通过反馈自适应调整感知站点的数据上传比例,从而保证数据精确恢复.最后,基于澳大利亚600个交通站点1年的感知数据构建原型系统,对所提算法进行评估.实验结果表明,所提算法的边缘节点部署性能达到最优性能的90%以上,缺失数据恢复精度比3种对比方法提高43.8%以上.同时,自适应数据恢复能够平均提高精度40.3%.

滤除图像中混合噪声的LSE模型

图像中的高斯白噪声使LS模型中的低秩矩阵低秩性和稀疏矩阵稀疏性不能同时满足,造成去噪不充分或细节严重丢失。本文在LS模型的基础上引入高斯噪声约束项,提出一种新的用于去除图像中混合噪声的LSE模型,该模型首先对图像进行相似块匹配,然后对得到的相似块低秩逼近得到去噪图像。实验结果表明,与LS模型相比,LSE模型在保证去噪效果的同时,保留了图像的细节信息,具有更佳的视觉效果,去噪图像的信噪比提高了约0.1-2dB;与BM3D相比,在高斯噪声较小的情况下信噪比提高了约0.5-2.5dB。

加权截断p范数在运动目标检测中的应用

在基于稀疏低秩分解的运动目标检测方法中,由于核范数并非为矩阵的秩函数最佳近似,未考虑到运动目标的空间连续性,在动态背景干扰的情况下,运动目标检测的效果不理想。针对上述问题,提出加权截断p范数分析模型。该模型将观测视频分为静态背景、运动目标与动态背景3个部分,静态背景采用改进的非凸范数,即加权截断p范数进行低秩约束,根据动态背景与运动目标具有空间连续性的特点,分别使用l_(2,1)范数进行结构性稀疏约束。实验结果表明,与鲁棒主成分分析模型、截断核范数模型、加权核范数模型以及相邻离群点低秩模型相比,该模型可有效去除动态背景扰动,并能提取到更精确的运动目标。

RSS室内定位信号经验模型重构研究

介绍低秩矩阵填充理论,结合RSS室内信号图的特点,借鉴地形图中的地物特征点概念,提出RSS欧氏空间信号特征点概念;提出RSS室内定位信号经验模型的具体重构算法和流程。最后,分析RSS几何空间特征点构建指纹库的精度分析和RSS欧氏空间信号特征点信号模型重构的精度分析,对不同类型的特征点赋予不同的权值,并将这些特征点用在RSS室内定位信号经验模型的重构中。实验结果表明,在数据采样量略高于位置指纹(约为1.37倍)的情况下,利用RSS室内定位信号经验模型的定位精度显著高于位置指纹的定位精度(约为2倍),特别是0.5m以内的定位精度。