《高维交通大数据模式识别与质量增强》

本项目对目前高维交通大数据的模式识别与质量增强方法进行了系统性的整理，主要内容包括矩阵分解和张量分解的基础知识、张量分解确定性解法、张量分解的贝叶斯优化解法、结合深度学习的非线性张量分解以及张量分解在交通领域的实际应用等。

同时本项目公开了主要代码和一些标准数据集，欢迎引用。

---

👉 data

• guangzhou_speed_tensor

数据描述：广州市路段车速数据集，共214条路段，历时61天，时间窗10min，每天共计144个时间窗，三阶张量大小为214×61×144

• shanghai_speed_tensor/shanghai_flow_tensor

数据描述：上海市路段车速、流量数据集，共18条路段，历时28天，时间5min，每天共计288个时间窗，三阶张量大小为18×28×288

---

👉 code

• BGCP.py

论文《A Bayesian tensor decomposition approach for spatiotemporal traffic data imputation》的公开代码

• BATF.py

论文《Missing traffic data imputation and pattern discovery with a Bayesian augmented tensor factorization model》的公开代码

---

👉 textbook

• 第一章 概述

• 第二章 矩阵分解

• 第三章 张量分解

• 第四章 贝叶斯张量分解

• 第五章 深度张量分解

• 第六章 分布式张量分解

• 第七章 实验室工作介绍

---

👉 ppt

• 第一章 总论

• 第二章 张量计算的数学基础

• 第三章 概率张量分解

---

👉 our paper

• Chen, Xinyu, Zhaocheng He, and Jiawei Wang. "Spatial-temporal traffic speed patterns discovery and incomplete data recovery via SVD-combined tensor decomposition." Transportation research part C: emerging technologies 86 (2018): 59-77.

主要贡献：提出了结合矩阵SVD的张量分解方法，探讨了张量秩的选取问题

• Chen, Xinyu, Zhaocheng He, and Lijun Sun. "A Bayesian tensor decomposition approach for spatiotemporal traffic data imputation." Transportation research part C: emerging technologies 98 (2019): 73-84.

主要贡献：提出了贝叶斯张量分解方法，研究了不同阶数的张量对数据修复效果的影响

• Chen, Xinyu, et al. "Missing traffic data imputation and pattern discovery with a Bayesian augmented tensor factorization model." Transportation Research Part C: Emerging Technologies 104 (2019): 66-77.

主要贡献：提出了贝叶斯增强张量分解方法，模型具有可解释性