IGANI：用于插补的迭代生成对抗网络及其在交通数据中的应用
机器学习
2021-06-22 v3 机器学习
统计计算
摘要
智能交通系统中传感器数据使用的增加，需要准确的插补算法，以在偶尔缺失数据的情况下实现可靠的交通管理。作为一种有效的插补方法，生成对抗网络（GANs）是可被用于数据插补的隐式生成模型，其被表述为一个无监督学习问题。本文引入一种新颖的迭代 GAN 架构，称为用于插补的迭代生成对抗网络（IGANI），用于数据插补。IGANI 分两步插补数据，并保持生成插补器的可逆性，这将被证明是所提出的基于 GAN 的插补收敛的充分条件。我们提出的方法的性能在以下方面进行了评估：（1）对中国广州市采集的交通速度数据进行插补，并使用插补数据训练短期交通预测模型；（2）对波特兰-温哥华都市区高速公路的多变量交通数据（包括流量、占有率和速度，各自具有不同缺失率）进行插补。结果表明，与先前基于 GAN 的插补架构相比，我们提出的算法在大多数情况下产生更准确的结果。
引用
@article{arxiv.2008.04847,
title = {IGANI: Iterative Generative Adversarial Networks for Imputation with Application to Traffic Data},
author = {Amir Kazemi and Hadi Meidani},
journal= {arXiv preprint arXiv:2008.04847},
year = {2021}
}