STAMImputer：时空注意力混合专家网络用于交通数据插值
机器学习
2025-06-12 v2 人工智能
摘要
交通数据插值在支持智能交通系统中的各种应用（如交通流预测）中至关重要。然而，现有的基于时间到空间的顺序方法往往难以有效提取块状缺失数据中的特征。同时，用于空间特征传播的静态图结构显著限制了模型处理非平稳交通数据分布迁移问题的灵活性。为此，本文提出了名为 STAMImputer 的时空注意力混合专家网络用于交通数据插值。具体而言，我们引入混合专家（MoE）框架以捕捉潜在的时空特征及其影响权重，有效实现块状缺失的插值。设计了一种低秩引导采样图注意力机制（LrSGAT），动态平衡道路网络中的局部和全局相关性。采样注意力向量用于生成捕捉实时空间相关性的动态图。对四个交通数据集进行了广泛实验评估。结果表明，STAMImputer 在与现有 SOTA 方法相比下实现了显著性能提升。我们的代码已公开于 https://github.com/RingBDStack/STAMImupter。
引用
@article{arxiv.2506.08054,
title = {STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation},
author = {Yiming Wang and Hao Peng and Senzhang Wang and Haohua Du and Chunyang Liu and Jia Wu and Guanlin Wu},
journal= {arXiv preprint arXiv:2506.08054},
year = {2025}
}
备注
10 pages, 5 figures, 3 tables. Extended version of paper accepted at IJCAI 2025