数据处理 | Python实现基于DFCP张量分解结合贝叶斯优化的缺失数据填补
目录
- 数据处理 | Python实现基于DFCP张量分解结合贝叶斯优化的缺失数据填补
- 实践过程
- 基本介绍
- 研究背景
- 程序设计
- 参考资料
实践过程
基本介绍
数据处理 | Python实现基于DFCP张量分解结合贝叶斯优化的缺失数据填补。设计了一种4向低秩张量分解来进行数据重构。此外,为了处理不同数据维度上的各种干扰,我们在数据输入中引入了正则化惩罚系数。与现有的正则化方案不同,我们进一步引入贝叶斯优化(BO)来提高正则化超参数解在张量分解过程中目标函数的非凸性。数值实验表明,我们提出的结合LPR和CL数据的方法明显优于仅使用LPR数据的方法。对不同缺失长度和缺失率情景的灵敏度分析表明了模型性能的鲁棒性。
研究背景
交通缺失数据的插值是智能交通系统的基本需求和关键应用。不同缺失模式下的宽插值方法通过有效表征复杂的时空相关性,证明了张量学