FastSTI：一种用于时空交通数据插补的快速条件伪数值扩散模型
机器学习
2024-10-22 v1
摘要
高质量的时空交通数据对于智能交通系统（ITS）及其数据驱动应用至关重要。不可避免地，由各种干扰导致的数据缺失问题威胁着数据采集的可靠性。近期对扩散概率模型的研究表明，通过精确捕捉交通数据的时空相关性，深度生成模型在插补任务中具有优越性。扩散模型的一个缺点是采样/去噪过程缓慢。本文旨在加速插补过程，同时保持性能。我们提出了一种用于时空交通数据插补的快速条件扩散模型（FastSTI）。为了加速过程并获得更好的性能，我们提出应用高阶伪数值求解器。我们的方法通过在采样过程中引入预定义的方差调度对齐策略，进一步提升了插补速度。在两种真实世界交通数据集（交通速度和流量）上，针对不同数据缺失场景评估FastSTI，证明了其仅需六个采样步骤即可插补出更高质量的样本，尤其是在高缺失率（60%至90%）下。实验结果表明，与当前最先进模型相比，速度提升了8.3倍，同时实现了更好的性能。
引用
@article{arxiv.2410.15248,
title = {FastSTI: A Fast Conditional Pseudo Numerical Diffusion Model for Spatio-temporal Traffic Data Imputation},
author = {Shaokang Cheng and Nada Osman and Shiru Qu and Lamberto Ballan},
journal= {arXiv preprint arXiv:2410.15248},
year = {2024}
}
备注
This paper has been accepted by IEEE Transactions on Intelligent Transportation Systems for publication. Permission from IEEE must be obtained for all other uses, in any current or future media