.png){kind=icon}
返回
Dynamic Spatial-Temporal Imputation Network With Missing Features for Traffic Data Imputation
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2025.3567697.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于传感器故障或通信错误而缺失的交通数据显著阻碍了智能交通系统（ITSs）中下游任务（如交通监控和决策等关键功能）的效率。由于缺失数据包含重要信息，因此通过纳入这些缺失特征来提取交通过程中的动态时空相关性至关重要。受这些问题的启发，提出了一种新颖的具有缺失特征的动态时空插补网络（DSTMIN）以准确插补交通数据。DSTMIN由嵌入层、掩码注意力（MA）模块和融合图卷积（FGC）模块组成。具体而言，设计了一个嵌入层以准确表示缺失数据的分布，从而捕捉时序特征和缺失特征。此外，为了有效捕捉时序相关性，MA整合缺失特征以强调观测数据的重要性并减少使用不完整数据造成的不利影响。为捕捉空间相关性，FGC在存在缺失特征的情况下构建空间图，并从交通子序列和缺失数据图中建模动态空间相关性。所提出的DSTMIN经过充分评估，证明了其在两个数据集上的优越性能，与当前最先进的方法相比，插补误差显著降低了20%。
Keyword:
Graph convolution network
intelligent transportation system (ITS)
missing features
traffic data imputation
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
.png){kind=icon}
分享收藏Traffic Graph Convolutional Recurrent Neural Network: A Deep Learning Framework for Network-Scale Traffic Learning and Forecasting流量图卷积循环神经网络: 用于网络规模流量学习和预测的深度学习框架
OAAI
OAAI分享收藏Traffic State Data Imputation: An Efficient Generating Method Based on the Graph Aggregator交通状态数据插补: 一种基于图聚合器的高效生成方法
PREAI
分享收藏
查看更多内容