一种贝叶斯对数正态分布的张量分解插补算法

从智能交通系统中收集到的交通数据集,往往会因为诸多因素不可避免地产生数据丢失的问题.针对此问题,提出一种贝叶斯对数正态分布张量分解插补算法.将一般的矩阵分解扩展到高阶的张量维度上,保存了数据的原本结构;利用贝叶斯推断,对一组服从对数正态分布的随机数进行循环迭代,逐一将参数的似然估计和先验项结合得到后验公式;通过马尔可夫链蒙特卡洛算法(MCMC)得到Gibbs采样模型.选用在中国广州收集的时空交通速度数据集,将其分别变成二阶、三阶和四阶张量进行对比处理,并评估该算法的性能.结果表明,该算法相较其他方法在处理三阶张量数据上可以表现出更优的数据插补性能.