声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-1777/TP
国际刊号：1000-1239
发布日期:
作者：刘乐,郭晟楠,靳希源,赵苗苗,陈冉,林友芳,万怀宇,
关键词：交通数据插补, 不确定性量化, 基于方差的注意力机制, 时空数据挖掘, 时空图数据,
交通数据缺失是智能交通系统无法避免的问题之一，对缺失值进行补全和不确定性量化能提高智能交通系统中交通数据挖掘相关任务的精度和可靠性.然而，目前大多数交通数据插补模型都只能针对缺失值给出点估计，无法量化不确定性，难以满足交通领域对数据可靠性的要求.而且，现有方法将重点放在了建模交通数据的时空相关性上，却未能在捕获时空相关性的过程中考虑缺失值的影响.此外，交通数据的不确定性同时受到时间、空间位置以及数据自身状态的影响，但是现有方法无法全面考虑这些因素的影响.为了解决这些问题，提出了一种时空不确定性指导的交通数据插补模型（spatial-temporaluncertaintyguidedtrafficdataimputationnetwork，STUIN），以自监督训练的方式实现了时空交通数据的插补和对插补结果的不确定性量化.具体来说，创新地将神经网络的隐状态建模成服从高斯分布的随机变量，借助方差建模隐状态的不确定性，利用基于方差的注意力机制描述不确定性对时空相关性建模的影响；此外，设计了一个新颖的时空不确定性初始化模块，在初始化均值和方差时同时考虑了时间、空间和数据缺失状况多种因素的影响.在2个交通流量数据集上的实验结果表明STUIN在数据插补和不确定性量化上都达到了最先进的性能.
来源：2025年第2期
《计算机研究与发展》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。