用于时空交通数据插补的多注意张量完成网络

摘要：道路传感器在物联网（IoT）中的广泛部署可以实现细粒度的数据集成，这是数据驱动应用程序的基本需求。 由于网络通信不稳定、传感器故障等，不可避免地丢失和实质性异常的传感数据是不可避免的。最近的张量补全研究通过精确捕获复杂的时空依赖性/相关性，证明了深度学习在插补任务中的优越性。 然而，忽略这些方法中初始插值的重要性会导致性能不稳定，特别是对于大规模数据中的复杂缺失场景。 此外，现有的插值方法利用沿时空维度的递归信号传播，这会在依赖性不相关的情况下产生噪声累积。 在本研究中，我们设计了一个多注意张量完成网络（MATCN），用于在存在缺失条目的情况下对多维表示进行建模。 MATCN 对历史片段进行稀疏采样，并利用门控扩散卷积层来生成初始方案，从而减轻了先前流量插补模型中存在的暴露偏差。 此外，我们开发了空间信号传播模块和时间自注意力模块作为深度网络的基本堆栈块，在时空层面执行表示聚合和动态依赖关系提取。 该架构赋予 MATCN 渐进式补全复杂数据缺失场景的能力。 对四个具有各种缺失场景的真实交通数据集进行的数值实验证明了 MATCN 相对于多个最先进的插补基线的优越性。

本文的主要贡献

-本文介绍了用于时空交通数据插补的多注意力张量补全网络 (MATCN)，通过初始插值解决缺失条目问题，并利用门控扩散卷积层实现稳定的性能 。

-MATCN 集成了空间信号传播模块和时间自注意力模块，用于在时空层面进行表示聚合和动态依赖关系提取，增强了复杂缺失场景的完成