-
题名鲁棒物联网多维时序数据预测方法
- 1
-
-
作者
沈忱
何勇
彭安浪
-
机构
贵州大学公共大数据国家重点实验室
贵州大学计算机科学与技术学院
贵州兆信数码技术有限公司
-
出处
《计算机工程》
北大核心
2025年第4期107-118,共12页
-
基金
贵州省科技支撑计划项目(黔科合支撑[2022]一般267)。
-
文摘
在物联网(IoT)场景中,数据在采集和传输过程中易受噪声的干扰,导致数据中存在一定的离群值与缺失值。现有的时间正则化矩阵分解模型通常考虑平方损失来衡量重构误差,忽略了处理存在异常数据的多维时间序列时,矩阵分解的质量同样是影响模型预测性能的关键因素。提出一种基于L_(2,log)范数的时间感知鲁棒非负矩阵分解多维时序预测框架(TARNMF)。TARNMF通过非负矩阵分解(NMF)和参数可学习的自回归(AR)时间正则项建立多维时序数据的时空相关性,基于存在离群值的数据服从拉普拉斯分布的假设,使用L_(2,log)范数来估计非负鲁棒矩阵分解中原始数据和重建矩阵的误差,以减小异常数据对预测模型的干扰。L_(2,log)范数具备现有鲁棒度量函数的性质,解决了L_(1)损失的近似问题,并通过压缩异常值的残差来减少其对目标函数的影响。此外,提出一种基于投影梯度下降的优化方法对模型进行优化。实验结果表明,TARNMF具有良好的可扩展性和鲁棒性,尤其在高维Solar数据集上,较次优结果的相对平均绝对误差降低了8.64%。同时,在噪声数据上的实验结果验证了TARNMF能高效地处理和预测存在异常数据的IoT时序数据。
-
关键词
L_(2
log)范数
非负矩阵分解
时间正则化矩阵分解
多维时序数据预测
鲁棒性
-
Keywords
L_(2,log)norm
Nonnegative Matrix Factorization(NMF)
temporal regularized matrix factorization
multidimensional time series data prediction
robustness
-
分类号
TP181
[自动化与计算机技术—控制理论与控制工程]
-
