将时间序列编码为图像的深度卷积生成对抗网络用于交通数据插补
信号处理
2023-09-13 v1 机器学习
摘要
充足的高质量交通数据是各种智能交通系统（ITS）应用以及与拥堵预测、速度预测、事件检测和其他交通运营任务相关研究的关键组成部分。尽管如此，缺失交通数据是传感器数据中的常见问题，由于故障、维护或校准不善以及间歇性通信等多种原因，这是不可避免的。此类数据缺失问题往往使数据分析和决策变得复杂且具有挑战性。在本研究中，我们开发了一种基于生成对抗网络（GAN）的交通传感器数据插补框架（TSDIGAN），通过生成逼真的合成数据来高效地重建缺失数据。近年来，GAN 在图像数据生成方面取得了显著成功。然而，利用基于 GAN 的建模来生成交通数据是一项具有挑战性的任务，因为交通数据具有很强的时序依赖性。为了解决这个问题，我们提出了一种新颖的依赖时间的编码方法，称为格拉姆角和场（GASF），该方法将交通时间序列数据生成问题转化为图像生成问题。我们使用 Caltrans 性能管理系统提供的基准数据集对我们提出的模型进行了评估和测试。本研究表明，在基准数据集上，与最先进的模型相比，所提出的模型在平均绝对误差（MAE）和均方根误差（RMSE）方面可以显著提高交通数据插补精度。此外，即使在缺失率非常高（ 50\%）的情况下，该模型在插补任务中也能达到相当高的精度，这表明了所提出模型的稳健性和效率。
引用
@article{arxiv.2005.04188,
title = {Deep convolutional generative adversarial networks for traffic data imputation encoding time series as images},
author = {Tongge Huang and Pranamesh Chakraborty and Anuj Sharma},
journal= {arXiv preprint arXiv:2005.04188},
year = {2023}
}