awesome latex drawing

Impresionante dibujo de LaTeX

Hecho por Xinyu Chen • https://xinychen.github.io

Awesome-latex-drawing es una colección de más de 30 ejemplos de dibujo académico para usar LaTeX, incluidas redes bayesianas, trazado de funciones, modelos gráficos, estructura tensorial y marcos técnicos.

Descripción

LaTeX es un sistema tipográfico de alta calidad disponible como software gratuito, muy utilizado en los últimos años para la creación de gráficos académicos. Su popularidad se debe a su capacidad para manejar ilustraciones complejas con símbolos especiales y ecuaciones matemáticas, lo que lo hace ideal para dibujar gráficos detallados en investigaciones.

Este proyecto presenta varios gráficos creados con LaTeX, con ejemplos que son fáciles de seguir en Overleaf, una popular plataforma LaTeX en línea. Si está interesado, no dude en explorar y reproducir nuestros ejemplos en Overleaf.com.

Contenido

Tabla de ejemplos

• Redes bayesianas
  • Red bayesiana de factorización CP bayesiana (BCPF)
  • Red bayesiana de factorización bayesiana gaussiana CP (BGCP)
  • Red bayesiana de factorización de tensor aumentada bayesiana (BATF)
  • Red bayesiana de factorización de matriz temporal bayesiana (BTMF)
  
  
• Modelos gráficos
  • Matriz y tensor de series temporales parcialmente observados.
  • Predicción de series temporales de matrices y tensores en presencia de valores faltantes
  • Gráficos no dirigidos y circulantes en muestras de datos relacionales con ciertos grados.
  • Modelado de series temporales convolucionales laplacianos
  
  
• trazado de la función pgfplots
  • Funciones PDF y CDF de la distribución Erlang
  • PDF de distribución normal con diferentes medias y varianzas.
  • Funciones PDF (conjuntas) de distribuciones lognormales
  • Proceso iterativo de gradiente conjugado para resolver un sistema de ecuaciones lineales.
  • Patrones faltantes aleatorios y no aleatorios
  • Funciones seno y coseno
  • Mecanismo de previsión de series temporales.
  
  
• tikz para estructura matricial
  • Ilustración gráfica del problema de pronóstico de series temporales multivariadas
  • Ilustración gráfica de la factorización de la matriz temporal.
  • Ilustración gráfica del pronóstico de series de tiempo móviles con factorización de matriz temporal
  
  
• tikz-3dplot para estructura tensorial
  • Ilustración gráfica del tensor (origen, destino, intervalo de tiempo)
  • Ilustración gráfica de la factorización clásica del tensor CP en un tensor de tercer orden
  • Ilustración gráfica del modelo de factorización tensorial aumentada (AuTF)
  • Ilustración gráfica de la tarea de finalización del tensor y su marco.
  • Ilustración gráfica del modelo de finalización de tensor autorregresivo de bajo rango
  • Ilustración gráfica del proceso de umbralización de valores singulares de los datos del tensor con transformación unitaria
  • Ilustración gráfica del modelo de finalización de tensor de rango bajo
  • Ilustración gráfica del modelo de regresión tensorial de rango bajo

Galería

¿Buscas algunos buenos ejemplos de dibujo en LaTeX? Aquí hay más de 30 gráficos para mostrar cómo dibujar en LaTaX.

Redes bayesianas

LaTeX proporciona algunos paquetes y herramientas potentes específicos de dominio, como tikz para permitir modelos gráficos flexibles. Las redes bayesianas representan una familia de modelos gráficos que consta de variables (generalmente indicadas por nodos) y relaciones de dependencia (generalmente indicadas por flechas). Afortunadamente, tikz tiene una biblioteca específica para dibujar redes bayesianas y gráficos de factores dirigidos.

Otra caja de herramientas en Python: https://docs.daft-pgm.org/en/latest/

Factorización del tensor bayesiano

[Ejemplo 1]

Este ejemplo es del siguiente artículo:

• Qibin Zhao, Liqing Zhang, Andrzej Cichocki (2015). Factorización CP bayesiana de tensores incompletos con determinación automática de rango. Transacciones IEEE sobre análisis de patrones e inteligencia artificial, 37(9): 1751-1763.

que muestra la red bayesiana del modelo de factorización CP bayesiana (BCPF). Para dibujar este ejemplo de red bayesiana, se deben seguir algunos preliminares:

• códigos preamble :
  1. defina la documentclass como standalone , por ejemplo, documentclass[border = 0.1cm]{standalone} con borde de 0.1cm,
  2. use el paquete tikz , es decir, usepackage{tikz} , y use la biblioteca tikz como usetikzlibrary{bayesnet} que es una herramienta importante para dibujar redes bayesianas y gráficos de factores dirigidos.
  3. establezca el estilo tikz usando el comando tikzstyle{} ,
  4. use entornos de ecuaciones matemáticas que incluyen usepackage{amsfonts, amsmath, amssymb} .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos y cuadros de texto en la red bayesiana,
  3. use path para definir flechas en la red bayesiana,
  4. use plate para definir placas en la red bayesiana.

Haga clic en la imagen y consulte el código fuente.

• Abra BGCP.tex en su proyecto al dorso, luego verá las siguientes imágenes sobre el modelo BGCP (descomposición bayesiana gaussiana de CP) como una red bayesiana y un gráfico de factor dirigido:

[Ejemplo 2]

Este ejemplo es del siguiente artículo:

Xinyu Chen, Zhaocheng He, Lijun Sun (2019). Un enfoque de descomposición del tensor bayesiano para la imputación de datos de tráfico espaciotemporal. Investigación en transporte Parte C: Tecnologías emergentes, 98: 73-84.

que muestra la red bayesiana del modelo de factorización CP bayesiana gaussiana (BGCP). Para dibujar este ejemplo de red bayesiana, se deben seguir algunos preliminares:

• códigos preamble :
  1. defina la documentclass como standalone , por ejemplo, documentclass[border = 0.1cm]{standalone} con borde de 0.1cm,
  2. use el paquete tikz , es decir, usepackage{tikz} , y use la biblioteca tikz como usetikzlibrary{bayesnet} que es una herramienta importante para dibujar redes bayesianas y gráficos de factores dirigidos.
  3. establezca el estilo tikz usando el comando tikzstyle{} ,
  4. use entornos de ecuaciones matemáticas que incluyen usepackage{amsmath, amsfonts, amssymb} .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos y cuadros de texto en la red bayesiana,
  3. use path para definir flechas en la red bayesiana,
  4. use plate para definir placas en la red bayesiana.

Haga clic en la imagen y consulte el código fuente. Si está interesado en la red bayesiana original de BGCP en el documento, consulte BGCP.tex.

[Ejemplo 3]

Este ejemplo es del siguiente artículo:

Xinyu Chen, Zhaocheng He, Yixian Chen, Yuhuan Lu, Jiawei Wang (2019). Imputación de datos de tráfico faltantes y descubrimiento de patrones con un modelo bayesiano de factorización de tensor aumentado. Investigación en transporte Parte C: Tecnologías emergentes, 104: 66-77.

que muestra la red bayesiana del modelo bayesiano de factorización de tensor aumentado (BATF). Para dibujar este ejemplo de red bayesiana, se deben seguir algunos preliminares:

• códigos preamble :
  1. defina la documentclass como standalone , por ejemplo, documentclass[border = 0.1cm]{standalone} con borde de 0.1cm,
  2. use el paquete tikz , es decir, usepackage{tikz} , y use la biblioteca tikz como usetikzlibrary{bayesnet} que es una herramienta importante para dibujar redes bayesianas y gráficos de factores dirigidos.
  3. establezca el estilo tikz usando el comando tikzstyle{} ,
  4. use entornos de ecuaciones matemáticas que incluyen usepackage{amsmath, amsfonts, amssymb} .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos y cuadros de texto en la red bayesiana,
  3. use path para definir flechas en la red bayesiana,
  4. use plate para definir placas en la red bayesiana.

Haga clic en la imagen y consulte el código fuente.

[Ejemplo 4]

Este ejemplo es del siguiente artículo:

Xinyu Chen, Lijun Sun (2021). Factorización temporal bayesiana para predicción de series temporales multidimensionales. Transacciones IEEE sobre análisis de patrones e inteligencia artificial, 44 (9): 4659-4673.

que muestra la red bayesiana del modelo de factorización de matriz temporal bayesiana (BTMF). Para dibujar este ejemplo de red bayesiana, se deben seguir algunos preliminares:

• códigos preamble :
  1. defina la documentclass como standalone , por ejemplo, documentclass[border = 0.1cm]{standalone} con borde de 0.1cm,
  2. use el paquete tikz , es decir, usepackage{tikz} , y use la biblioteca tikz como usetikzlibrary{bayesnet} que es una herramienta importante para dibujar redes bayesianas y gráficos de factores dirigidos.
  3. establezca el estilo tikz usando el comando tikzstyle{} ,
  4. use entornos de ecuaciones matemáticas que incluyen usepackage{amsmath, amsfonts, amssymb} .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos y cuadros de texto en la red bayesiana,
  3. use path para definir flechas en la red bayesiana,
  4. use plate para definir placas en la red bayesiana.

Haga clic en la imagen y consulte el código fuente. En lugar de un proceso autorregresivo vectorial multivariado sobre factores temporales, también podemos utilizar un proceso autorregresivo univariado para reconstruir BTMF. La red Beyasian está disponible en btmf_net.png, también puede consultar el código fuente btmf_net.tex.

Modelos gráficos

[Ejemplo 5]

Estos dos ejemplos muestran la matriz y el tensor de series temporales parcialmente observados, respectivamente. Para dibujar ambos ejemplos, podemos seguir estos pasos:

• códigos preamble :

  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .

• códigos body :

  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos y cuadros de texto en el modelo gráfico,
  3. use path para definir flechas en el modelo gráfico.

[Ejemplo 6]

Estos dos ejemplos muestran la predicción de series temporales en presencia de valores faltantes. Para dibujar ambos ejemplos, podemos seguir estos pasos:

• códigos preamble :

  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .

• códigos body :

  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos y cuadros de texto en el modelo gráfico,
  3. use path para definir flechas en el modelo gráfico.

[Ejemplo 7]

Estos dos ejemplos muestran los gráficos circulantes y no dirigidos en las muestras de datos relacionales con ciertos grados. Para dibujar ambos ejemplos, podemos seguir estos pasos:

• códigos preamble :

  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .

• códigos body :

  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use node para definir nodos,
  3. use path para definir flechas.

[Ejemplo 8]

Este ejemplo es del siguiente artículo:

Xinyu Chen, Zhanhong Cheng, Nicolas Saunier, Lijun Sun (2022). Representación convolucional laplaciana para la imputación de series temporales de tráfico. arXiv preimpresión arXiv: 2212.01529.

que ofrece una ilustración gráfica del modelo convolucional laplaciano para la imputación de series temporales. Para dibujar el ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use begin{axis} end{axis} y addplot para dibujar coordenadas,
  3. use node y path para dibujar nodos y flechas.

Trazado de funciones pgfplots

[Ejemplo 9]

Estos dos ejemplos muestran la función de densidad de probabilidad (PDF) y la función de densidad acumulativa (CDF) de la distribución de Erlang, respectivamente. Para dibujar el ejemplo, hay algunos pasos a seguir:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. usa el paquete pgfplots ,
  3. establezca el estilo de fuente y ajuste pgfplotsset{} como prefiera.
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use begin{axis} end{axis} para dibujar la función,
  3. use addplot para definir la función para dibujar.

[Ejemplo 10]

Este ejemplo muestra la PDF de distribución normal con diferentes medias y varianzas. Para dibujar este ejemplo, hay algunos pasos a seguir:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. usa el paquete pgfplots ,
  3. establezca el estilo de fuente y ajuste pgfplotsset{} como prefiera.
• códigos body :
  1. use pgfmathdeclarefunction para definir la función PDF de distribución normal (gaussiana),
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. use begin{axis} end{axis} para dibujar la función,
  4. use addplot para definir la función para dibujar.
• Más publicaciones :
  1. Trazar la distribución normal en pgfplots
  2. formato de número en el eje pgfplots
  3. Eliminar la notación científica que no es razonable.

[Ejemplo 11]

Estos dos ejemplos muestran la PDF y la PDF conjunta de distribuciones lognormales, respectivamente. Hay algunos materiales recomendados para seguir los ejemplos:

• Más publicaciones :
  1. Dibuja una distribución normal bivariada en TikZ
  2. ¿Cómo se pueden trazar dos distribuciones normales bivariadas en un solo gráfico?
  3. Trazar una distribución normal bivariada en Tikz
  4. Dividir curva con addplot3

[Ejemplo 12]

Estos dos ejemplos muestran el proceso iterativo del gradiente conjugado para resolver un sistema de ecuaciones lineales.

[Ejemplo 13]

Estos dos ejemplos muestran los patrones faltantes aleatorios y no aleatorios. Para dibujar ambos ejemplos, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. use los paquetes tikz y pgfplots ,
  3. utilice begin{filecontents} end{filecontents} para contener los datos.
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use begin{axis} end{axis} para dibujar la función,
  3. use addplot para dibujar los datos.

[Ejemplo 14]

Este ejemplo muestra cuatro secuencias que constan de funciones seno y coseno. Al considerar estas secuencias como series de tiempo, podemos ver dos tipos de dinámica temporal, es decir, una es de la función seno y otra es de la función coseno. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. usa el paquete pgfplots ,
  3. establezca el estilo de fuente y ajuste pgfplotsset{} como prefiera.
• códigos body :
  1. use pgfmathdeclarefunction para definir la función PDF de distribución normal (gaussiana),
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. use begin{axis} end{axis} para dibujar la función,
  4. use addplot para definir la función para dibujar.

[Ejemplo 15]

Este ejemplo ilustra el mecanismo de pronóstico de series de tiempo en la transmisión de datos en nuestro proyecto de base de seguimiento. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. use los paquetes tikz y pgfplots ,
  3. establezca el estilo de fuente y ajuste pgfplotsset{} como prefiera.
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use begin{axis} end{axis} para definir el gráfico,
  3. use addplot para definir las marcas en algunas coordenadas y especificar el color de estas marcas.

tikz para estructura matricial

[Ejemplo 16]

Este ejemplo ofrece una ilustración gráfica del problema de pronóstico de series de tiempo multivariadas con valores faltantes. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. use los comandos draw , filldraw y node para definir rectángulos y nodos.

[Ejemplo 17]

Este ejemplo ofrece una ilustración gráfica de la factorización de la matriz temporal. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use draw y filldraw para configurar nodos y rectángulos.

[Ejemplo 18]

Este ejemplo ofrece una ilustración gráfica del pronóstico de series de tiempo móviles con factorización de matriz temporal. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use draw y filldraw para configurar nodos y rectángulos.

tikz-3dplot para estructura tensorial

[Ejemplo 19]

Este ejemplo ofrece una ilustración gráfica de un tensor de tercer orden. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. definir las coordenadas de las aristas del tensor,
  4. use el comando draw para definir nodos.

[Ejemplo 20]

Este ejemplo ofrece una ilustración gráfica de la factorización clásica del tensor CP en un tensor de tercer orden. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. definir las coordenadas de las aristas del tensor,
  4. use el comando draw para definir nodos.

[Ejemplo 21]

Este ejemplo ofrece una ilustración gráfica del modelo de factorización de tensor aumentado. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. definir las coordenadas de las aristas del tensor,
  4. use el comando draw para definir nodos.

[Ejemplo 22]

Este ejemplo ofrece una ilustración gráfica de la tarea de finalización del tensor y su marco, incluida la organización de datos y la finalización del tensor, en la que se observan parcialmente las mediciones de tráfico. Para dibujar este ejemplo, podemos seguir estos pasos:

• Pedido :
  1. subir curva1.pdf,
  2. subir curva2.pdf.
• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. definir las coordenadas de las aristas del tensor,
  4. use el comando draw para definir nodos.

[Ejemplo 23]

Este ejemplo ofrece una ilustración gráfica del modelo de terminación de tensor autorregresivo de bajo rango. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. use los comandos node , path , plate para definir nodos, flechas y placas,
  4. definir las coordenadas de las aristas del tensor,
  5. use el comando draw para definir nodos.

[Ejemplo 24]

Este ejemplo ofrece una ilustración gráfica del proceso de umbralización de valores singulares de los datos del tensor con transformación unitaria. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. use el comando node para definir nodos,
  4. definir las coordenadas de las aristas del tensor,
  5. use el comando draw para definir nodos,
  6. use el comando filldraw para definir los colores de los rectángulos.

[Ejemplo 25]

Este ejemplo ofrece una ilustración gráfica del modelo de terminación de tensor de rango bajo. Para dibujar este ejemplo, podemos seguir estos pasos:

• Pedido :
  1. subir input_tensor.pdf,
  2. suba salida_tensor.pdf.
• códigos preamble :
  1. definir la documentclass como standalone ,
  2. use los paquetes tikz y tikz-3dplot ,
  3. utilizar el paquete algorithm2e ,
  4. use usetikzlibrary{positioning, matrix, fit, calc} .
• códigos body :
  1. utilizar el entorno begin{algorithm} end{algorithm} para definir el algoritmo,
  2. use el comando matrix para posicionar los componentes,
  3. use begin{scope} end{scope} para contener las capas.

[Ejemplo 26]

Este ejemplo ofrece una ilustración gráfica del modelo de regresión tensorial de rango bajo. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Utilice los paquetes tikz y tikz-3dplot .
• códigos body :
  1. establezca los parámetros Depth , Width y Height usando newcommand ,
  2. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  3. use el comando draw para definir nodos.

Visualización de datos

[Ejemplo 27]

Este ejemplo muestra la precisión de la imputación de algunos modelos matriciales y tensoriales. Para dibujar este ejemplo, podemos seguir estos pasos:

• códigos preamble :
  1. definir la documentclass como standalone ,
  2. Usa el paquete tikz .
• códigos body :
  1. usa begin{tikzpicture} end{tikzpicture} para comenzar a dibujar,
  2. use el comando draw para definir nodos,
  3. use el comando pgfuseimage para importar imágenes.

Proyectos Relacionados

• tikz-bayesnet
• impresionante-tikz
• transdim

Publicaciones

La mayoría de estos ejemplos provienen de nuestros artículos:

• Xinyu Chen, Zhanhong Cheng, HanQin Cai, Nicolas Saunier, Lijun Sun (2024). "Representación convolucional laplaciana para la imputación de series de tiempo de tráfico" . Transacciones IEEE sobre conocimiento e ingeniería de datos, 36 (11): 6490-6502. [Preimpresión] [DOI] [Diapositivas] [Datos y código Python]

• Xinyu Chen, Lijun Sun (2022). "Factorización temporal bayesiana para predicción de series temporales multidimensionales" . Transacciones IEEE sobre análisis de patrones e inteligencia artificial, 44 (9): 4659-4673. [Preimpresión] [DOI] [Diapositivas] [Datos y código Python]

• Xinyu Chen, Mengying Lei, Nicolas Saunier, Lijun Sun (2022). "Completación de tensor autorregresivo de bajo rango para la imputación de datos de tráfico espaciotemporal" . Transacciones IEEE sobre sistemas de transporte inteligentes, 23 (8): 12301-12310. [Preimpresión] [DOI] [Código de datos y Python] (También aceptado en parte en el taller MiLeTS de KDD 2021, consulte el documento del taller)

• Xinyu Chen, Yixian Chen, Nicolas Saunier, Lijun Sun (2021). "Aprendizaje tensor escalable de bajo rango para la imputación de datos de tráfico espaciotemporal" . Investigación en transporte Parte C: Tecnologías emergentes, 129: 103226. [Preimpresión] [DOI] [Datos] [Código Python]

• Xinyu Chen, Lijun Sun (2020). "Completación de tensor autorregresivo de bajo rango para pronóstico de series temporales multivariadas" . arXiv preimpresión arXiv: 2006.10436. [Preimpresión] [Datos y código Python]

• Xinyu Chen, Jinming Yang, Lijun Sun (2020). "Un modelo de finalización de tensor de bajo rango no convexo para la imputación de datos de tráfico espaciotemporal" . Investigación en transporte Parte C: Tecnologías emergentes, 117: 102673. [Preimpresión] [DOI] [Datos y código Python]

• Xinyu Chen, Zhaocheng He, Yixian Chen, Yuhuan Lu, Jiawei Wang (2019). "Imputación de datos de tráfico faltantes y descubrimiento de patrones con un modelo bayesiano de factorización de tensor aumentado" . Investigación en transporte Parte C: Tecnologías emergentes, 104: 66-77. [DOI] [Diapositivas] [Datos] [Código Matlab] [Código Python]

• Xinyu Chen, Zhaocheng He, Lijun Sun (2019). "Un enfoque de descomposición del tensor bayesiano para la imputación de datos de tráfico espaciotemporal" . Investigación en transporte Parte C: Tecnologías emergentes, 98: 73-84. [Preimpresión] [DOI] [Datos] [Código Matlab] [Código Python]