适应偏斜：利用三维部分卷积与偏置掩码填补时空城市数据
计算机视觉与模式识别
2023-01-12 v1 人工智能
计算机与社会
摘要
我们将图像修复技术适配用于填补以稀疏性、时空方差及异常事件为特征的城市场景中的大型不规则缺失区域。城市数据中的缺失区域可由传感器或软件故障、数据质量问题、天气事件干扰、数据采集不完整或数据使用法规差异引起；任何缺失数据都会使整个数据集无法用于下游应用。为确保覆盖与效用，我们将计算机视觉中的图像修复技术适配于城市环境中常用于数据交换的三维直方图（二维空间+一维时间）。将这些技术适配于时空场景需处理偏斜：城市数据往往遵循人口密度模式（小型密集区域为大型稀疏区域所包围）；这些模式可主导学习过程并误导模型忽略局部或瞬态效应。为对抗偏斜，我们（1）在空间与时间上同时训练，且（2）通过将训练所用掩码偏置至数据中的偏斜，使注意力聚焦于密集区域。我们使用NYC出租车数据与NYC共享单车数据模拟不同缺失条件来评估核心模型及这两类扩展。我们表明核心模型在定性与定量上均有效，且训练中的偏置掩码在多种场景下降低误差。我们还阐明了每训练样本时间步数变化的权衡：时间步过少模型忽略瞬态事件；时间步过多模型训练缓慢且性能增益有限。
引用
@article{arxiv.2301.04233,
title = {Adapting to Skew: Imputing Spatiotemporal Urban Data with 3D Partial Convolutions and Biased Masking},
author = {Bin Han and Bill Howe},
journal= {arXiv preprint arXiv:2301.04233},
year = {2023}
}