.png){kind=icon}
返回
Missing Pavement Performance Data Imputation Using Graph Neural Networks
.png){kind=icon}
PRE
AI
DOI：10.1177/03611981221095511.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
路面状况数据对于提供网络当前状态的信息以及确定预防性维护或修复处理的需求非常重要。然而，由于测量误差和非周期性检查间隔等各种原因，状况数据集通常是不完整的。缺失数据，尤其是系统性缺失时，会导致信息损失、降低统计功效并引入偏差评估。现有路面管理系统（PMS）中的实践通常丢弃包含缺失数据的整个案例或通过数据相关性进行插补。本文提出了一种基于图的深度学习框架，即卷积图神经网络，以解决PMS中的缺失数据问题。与神经网络的其它变体不同，所提出的方法能够捕捉数据中的时空关系，并通过结合邻近路段的信息来学习和重建缺失数据。在案例研究中，使用了德克萨斯州运输部管理的4,446个路段的路面状况数据。实验表明，在插补缺失数据方面，所提出的模型能够优于标准机器学习模型。
期刊
暂无期刊信息
机构
暂无机构信息
引用论文
暂无论文信息