用于交通时间序列插值的 Primary-Auxiliary Spatio-Temporal 网络
机器学习
2025-11-18 v1 人工智能
摘要
交通时间序列插值对于智能交通系统的安全和可靠性至关重要，而包括随机、光纤和块状缺失在内的多样化缺失类型使得插值任务具有挑战性。现有模型通常侧重于基于数据点之间的关系来分离和单独建模空间和时间模式。然而，这些方法在适应随机缺失位置方面存在困难，无法学习长期和大规模依赖关系，这在广泛缺失的情况下至关重要。本文将模式分为两种类型以处理各种缺失条件：源于数据点内部关系的原始模式，以及受外部因素（如时间戳和节点属性）影响的辅助模式。据此，我们提出了 Primary-Auxiliary Spatio-Temporal 网络（PAST）。其包括图集成模块（GIM）和交叉门控模块（CGM）。GIM 通过带有间隔感知 dropout 和多阶卷积捕获原始模式，CGM 通过对嵌入外部特征的双向门控提取辅助模式。这两个模块通过共享隐藏向量相互交互，并在集成自监督框架下进行训练。在 27 种缺失数据条件下的三个数据集上的实验表明，PAST 在插值准确性方面相较于七个最先进的基线方法在 RMSE 和 MAE 上分别提高了最高可达 26.2% 和 31.6%。
引用
@article{arxiv.2511.13414,
title = {PAST: A Primary-Auxiliary Spatio-Temporal Network for Traffic Time Series Imputation},
author = {Hanwen Hu and Zimo Wen and Shiyou Qian and Jian Co},
journal= {arXiv preprint arXiv:2511.13414},
year = {2025}
}