基于梯度张量核 ? 1-? 2 范数的鲁棒张量补全方法在交通数据恢复中的应用

针对时空交通数据缺失与噪声共存的退化问题，提出基于梯度张量核的?1-?2范数融合方法，通过非凸张量秩近似与特征融合策略，有效解决现有张量补全方法在噪声建模和局部一致性利用上的不足，实验验证其性能优于现有先进方法。

　　

摘要：

在现实世界的场景中，时空交通数据经常因传感器故障和通信失败而出现缺失值和噪声，从而导致数据质量下降。因此，有效的数据恢复方法对于确保下游数据驱动应用的可靠性至关重要。尽管传统的张量补全方法已被广泛采用，但它们无法对噪声进行建模，因此不适用于同时存在数据缺失和噪声干扰的复杂场景。现有的鲁棒张量补全（RTC）方法通过分别对实际张量数据和噪声进行建模来提供潜在的解决方案。然而，这些方法的有效性常常受到凸秩替代模型过度松弛以及局部一致性利用不足的限制。为了解决这些问题，我们引入了基于非凸张量秩替代模型和先进特征融合策略的梯度张量核范数（?1-?2范数），并将其集成到RTC框架中，提出了鲁棒张量补全通过梯度张量核范数（RTC-GTNLN）模型。该模型不仅能够充分利用全局低秩特性和局部一致性（无需任何折中参数），还能有效应对交通数据中数据缺失和噪声的双重退化问题。在多个真实世界交通数据集上进行的广泛实验表明，RTC-GTNLN模型在同时存在数据缺失和噪声的复杂恢复场景中始终优于现有的最先进方法。代码可在以下链接获取：https://github.com/HaoShu2000/RTC-GTNLN