面向复杂缺失模式的交通数据填补的动态时空图卷积神经网络
机器学习
2022-09-02 v1 人工智能
摘要
缺失数据是智能交通系统交通数据采集过程中不可避免且普遍存在的问题。尽管关于交通数据填补的研究广泛，仍存在两个待解决的局限：首先，现有方法未能捕捉交通数据中复杂的时空依赖，尤其是随时间演化的动态空间依赖；其次，先前研究主要关注随机缺失模式，而其他更复杂的缺失场景讨论较少。为填补这些研究空白，我们提出一种称为动态时空图卷积神经网络（DSTGCN）的新型深度学习框架来填补缺失交通数据。该模型将循环架构与基于图的卷积相结合以建模时空依赖。此外，我们引入图结构估计技术，从实时交通信息与道路网络结构建模动态空间依赖。基于两个公开交通速度数据集开展了大量实验，在四类缺失模式下将我们所提模型与最先进的深度学习方法进行对比。结果表明，我们所提模型在所有缺失场景中均优于现有深度学习模型，且图结构估计技术有助于模型性能。我们进一步将所提模型与张量分解模型比较，发现不同模型族在不同训练方案和数据可用性下表现出明显不同的行为。
引用
@article{arxiv.2109.08357,
title = {Dynamic Spatiotemporal Graph Convolutional Neural Networks for Traffic Data Imputation with Complex Missing Patterns},
author = {Yuebing Liang and Zhan Zhao and Lijun Sun},
journal= {arXiv preprint arXiv:2109.08357},
year = {2022}
}