MH-GIN：面向 AIS 数据的多尺度异构图基插值网络（扩展版）
机器学习
2025-10-29 v3 数据库
摘要
自动识别系统（AIS）的位置跟踪数据（其中大部分数据可公开获取）在航海安全和监控应用中发挥着关键作用。然而，这些数据存在缺失值，致使后续应用受到阻碍。对缺失值进行插值具有挑战性，因为不同异构属性的值以不同的速率更新，导致属性之间出现多尺度依赖。现有的插值方法假设各属性的更新速率相似，无法捕捉和利用此类依赖，从而限制了插值准确性。我们提出 MH-GIN，即一种多尺度异构图基插值网络，旨通过捕捉多尺度依赖来提高插值准确性。具体而言，MH-GIN 为每个属性提取保留其内在异构特性的多尺度时间特征。随后，它构建多尺度异构图，以显式建模异构属性之间的依赖，通过图传播实现对缺失值的更准确插值。在两个真实数据集上的实验结果表明，MH-GIN 相较于最先进的方法可实现平均 57% 的插值误差降低，同时保持计算效率。MH-GIN 的源代码和实现细节已公开 available at https://github.com/hyLiu1994/MH-GIN。
引用
@article{arxiv.2507.20362,
title = {MH-GIN: Multi-scale Heterogeneous Graph-based Imputation Network for AIS Data (Extended Version)},
author = {Hengyu Liu and Tianyi Li and Yuqiang He and Kristian Torp and Yushuai Li and Christian S. Jensen},
journal= {arXiv preprint arXiv:2507.20362},
year = {2025}
}
备注
18 pages, 4 figures; This paper is accepted by PVLDB 2026