Resumen

Los datos sobre el volumen de tráfico ya se recogen y utilizan con diversos fines en los sistemas de transporte inteligentes (STI). Sin embargo, los datos recogidos pueden ser anómalos debido al problema de los datos atípicos causados por el mal funcionamiento de los sistemas de recogida y registro de datos. Para analizar y explotar plenamente los datos recogidos, es necesario desarrollar un método válido para tratar los datos atípicos. Muchos algoritmos existentes han estudiado el problema de la recuperación de datos atípicos basándose en los métodos de series temporales. En este artículo, se propone un modelo tensorial multidireccional para construir los datos de volumen de tráfico basándose en las correlaciones multilineales intrínsecas, como día a día y hora a hora. A continuación, se propone un nuevo método de recuperación tensorial, denominado ADMM-TR, para recuperar los datos atípicos de los datos de volumen de tráfico. El método propuesto se evalúa con datos sintéticos y datos de volumen de tráfico del mundo real. Los resultados experimentales demuestran la viabilidad, eficacia y ventaja del método propuesto, especialmente para los datos de volumen de tráfico del mundo real.

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería Matemática aplicada Lógica matemática
• Subjects:mathematics Mathematical Analysis Algebra Engineering Applied Mathematics Mathematical logic
• Palabras claves:datos de volumen de tráfico del mundo real, datos de volumen de tráfico, datos atípicos, método novedoso de recuperación tensorial, datos de volumen de tráfico, sistema de transporte inteligente, correlaciones multilineales intrínsecas, modelo tensorial multidireccional, métodos de series temporales, datos
• Keywords:real world traffic volume data, traffic volume data, outlier data, novel tensor recovery method, traffic volume data, intelligent transportation system, intrinsic multilinear correlations, multiway tensor model, time series methods, data