文献类型：期刊文章

作　　者：司明悦[1] 齐斌[1] 张文胜[1] 张雷[2]

SI Mingyue;QI Bin;ZHANG Wensheng;ZHANG Lei(Shandong Provincial Key Lab of Wireless Communication Technologies,School of Information Science and Engineering,Shandong University,Qingdao 266237,Shandong,China;Shanghai Research Institute of Intelligent Autonomous Systems,Tongji University,Shanghai 200092,China)

机构地区：[1]山东大学信息科学与工程学院山东省无线通信技术重点实验室,山东青岛266237 [2]同济大学上海自主智能无人系统科学中心,上海200092

出　　处：《计算机工程》

基　　金：国家重点研发计划(2022YFF0604903);国家自然科学基金(62071276)。

年　　份：2024

卷　　号：50

期　　号：4

起止页码：41-49

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、CSCD、CSCD_E2023_2024、INSPEC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：针对智慧交通场景中样本较少且难以获取的问题,提出一种张量计算与小样本学习相结合的综合模型,从而应对目标域样本不足导致训练效果差的情况。构建基于张量计算的多维计算模型,处理智慧交通场景中的多维异构数据,基于数据的时空相关性获得融合数据张量,将融合数据作为输入数据,经由小样本学习模型进行训练,最终根据消融实验结果比较分析基于不同张量计算方案和小样本学习方法的张量小样本学习模型性能。仿真结果表明,相较于2种基于度量的小样本学习模型:原型网络和匹配网络,基于元学习的小样本学习模型和张量计算模型相结合后的可信度更高,并且基于不同的张量融合方案,元学习模型的准确率和F1值得到了不同程度的提升,其中基于逆分解张量融合方案的模型准确率可达0.95,性能优于平行因子分解(CPD)融合方案。

关 键 词：智慧交通 张量计算  数据融合 小样本学习  元学习

分 类 号：TP391]