Missing Data Repairs for Traffic Flow With Self-Attention Generative Adversarial Imputation Net

Missing Data Repairs for Traffic Flow With Self-Attention Generative Adversarial Imputation Net

论文地址

摘要：随着传感器技术的快速发展，多个空间分布的传感器采集的时间序列数据已广泛应用于不同的研究领域。此类数据的示例包括由温度传感器收集的地理标记温度数据、空气污染物监测数据以及由道路交通传感器收集的交通数据。由于传感器故障、通信错误和存储丢失等原因，传感器采集的数据不可避免地存在缺失数据。然而，分析此类大规模数据时常用的模型往往依赖于完整的数据集。本文提出了一种交通流缺失数据的插补模型，该模型将自注意力机制、自动编码器和生成对抗网络相结合，形成自注意力生成对抗插补网络（SA-GAIN）。自注意力机制的引入可以帮助所提出的模型有效捕获不同时间点的空间分布传感器之间的相关性。通过两个神经网络（称为生成器和鉴别器）进行对抗性训练，允许所提出的模型生成接近真实数据的估算数据。与不同的插补模型相比，所提出的模型在插补缺失数据方面表现出最佳性能。

关键词：数据插补、时空分析、深度学习、生成对抗网络、自注意力。

关键任务：

由于传感器故障、通信错误、存储丢失等原因，传感器采集的数据不可避免地存在缺失。数据传感器收集的完整数据有利于后续的数据分析任务，例如数据分类、回归预测和交通控制优化。然而，由于缺失数据模式的多样性，估算数据非常具有挑战性。有必要