ST-GIN：一种基于时空图注意力与双向循环联合神经网络的交通数据插补不确定性量化方法
机器学习
2023-09-12 v3
摘要
交通数据是智能交通系统研究与应用中的基础组成部分。然而，从环形检测器或类似来源收集的真实交通数据常含有缺失值（MVs），这会对相关应用与研究产生不利影响。研究者未丢弃这些不完整数据，而是试图通过数值统计、张量分解与深度学习技术恢复缺失值。本文提出一种创新的深度学习缺失数据插补方法。采用图注意力架构捕获交通数据中的空间相关性，并利用双向神经网络学习时间信息。实验结果表明，我们所提方法优于所有其他基准技术，从而证明了其有效性。
引用
@article{arxiv.2305.06480,
title = {ST-GIN: An Uncertainty Quantification Approach in Traffic Data Imputation with Spatio-temporal Graph Attention and Bidirectional Recurrent United Neural Networks},
author = {Zepu Wang and Dingyi Zhuang and Yankai Li and Jinhua Zhao and Peng Sun and Shenhao Wang and Yulin Hu},
journal= {arXiv preprint arXiv:2305.06480},
year = {2023}
}
备注
Accepted by IEEE-ITSC 2023