检索结果-内蒙古大学图书馆

计算机研究与发展 2025年第2期62卷 346-363页

作者：刘乐郭晟楠靳希源赵苗苗陈冉林友芳万怀宇北京交通大学计算机与信息技术学院北京100044 交通数据分析与挖掘北京市重点实验室(北京交通大学) 北京100044

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... 详细信息

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-temporal uncertainty guided traffic data imputation network,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.

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

来源：评论

学校读者我要写书评

暂无评论

基于生成对抗网络的交通数据插补方法研究

基于生成对抗网络的交通数据插补方法研究

引用

作者：张润生北京交通大学

学位级别：硕士

近年来,随着大数据技术和人工智能技术的快速发展,数据驱动的智能交通应用为人们的日常生活带来了极大的便利。然而,数据缺失是一个普遍存在而又不可避免的问题,严重影响企业和机构决策的正确性和有效性。对缺失的交通数据进行准确地插... 详细信息

近年来,随着大数据技术和人工智能技术的快速发展,数据驱动的智能交通应用为人们的日常生活带来了极大的便利。然而,数据缺失是一个普遍存在而又不可避免的问题,严重影响企业和机构决策的正确性和有效性。对缺失的交通数据进行准确地插补,一方面可以提升数据的质量,使其在数据分析挖掘任务中产生更可靠的输出,另一方面可以协助企业和管理部门进行有效地分析并做出正确的决策。在真实应用场景中,交通数据插补任务主要存在以下两个难点:(1)建模和学习数据分布是实现模型插补的有效方法,同时交通数据在时间和空间维度也存在着复杂的动态时空相关性。因此,如何有效建模数据的分布、充分挖掘和利用这些时空相关性是一大难点;(2)标签缺失问题。缺失值的真实标签往往是无法获取的,导致模型的训练缺乏有效的监督信息,插补质量令人堪忧。现有工作无法同时处理上述难点,对此本文开展了深入的研究。首先,提出了一种基于生成对抗网络的生成式模型ST-GAN,通过同时考虑交通数据在时空两个维度的特性来进行数据的插补。在时间维度上,利用一种可以感知时序数据变化趋势的多头自注意力机制来捕获交通数据在时间维度的动态相关性;在空间维度上,利用一种动态图卷积方法,自适应地提取交通数据在空间维度的相关性;然后创新性地采用生成对抗网络实现交通数据的插补。其次,为了进一步提升插补精度、促进模型在实际场景中的应用,本文对ST-GAN模型进行了完善,提出了一种融合自监督学习的时空生成对抗网络模型SST-GAN。具体而言,引入生成式自监督学习方法,将非缺失位置的自身属性当作自监督信息,引导模型进行更为有效地训练,强化了生成器的生成能力,使得生成数据与真实数据更加接近。此外,引入基于特征的数据增强模块,对输入数据进行小规模掩码,让模型能够从更具代表性的数据中挖掘出潜在信息,从而提升模型性能,使其在交通数据插补任务上的效果更为出色。最后,在真实的交通流量数据集Pe MS上进行了大量实验。实验结果表明,本文提出的ST-GAN和SST-GAN模型与现有的基线模型相比,插补效果均有显著提升。两个模型均能够充分利用时空交通数据中的时空相关性,建模缺失数据的真实分布,从而生成高质量的交通数据。改进后的SST-GAN模型由于对数据进行了增强,将自身属性当作自监督训练的标签,充分地挖掘和分析了交通数据自身的模式特点,因此进一步提升了交通数据的插补效果。

关键词：交通数据插补生成对抗网络自注意力机制图卷积自监督学习时空数据挖掘

来源：评论

学校读者我要写书评

暂无评论

基于时空相关性的道路缺失交通数据插补方法研究

基于时空相关性的道路缺失交通数据插补方法研究

引用

作者：张涛西藏大学

学位级别：硕士

目前交通已进入智能数字化发展阶段,基于数据驱动的交通运营管理和决策已经成为行业运营的基石。然而,日常营运中收集的数据常因为检测器故障或传输失真等问题,导致交通数据往往缺乏完整性和准确性。因此,数据补全技术成为了交通领域基... 详细信息

目前交通已进入智能数字化发展阶段,基于数据驱动的交通运营管理和决策已经成为行业运营的基石。然而,日常营运中收集的数据常因为检测器故障或传输失真等问题,导致交通数据往往缺乏完整性和准确性。因此,数据补全技术成为了交通领域基于数据驱动研究的关键。基于市场行业和文献调研,在以往的大多数交通数据插补方法中,缺乏充分将交通数据中的时空特征及低秩特性被考虑或充分利用应用到交通数据重建中。因此,论文根据交通速度数据的时空特征及低秩特性,提出了一种基于时空相关性低秩张量理论的缺失交通数据插补方法,这对具有特殊气候及环境的西藏地区道路交通数据缺失的插补问题不仅具有深远的理论研究意义,还展现出极为重要的工程实用价值。首先,基于相关性分析法分析采集数据的时空特征。从时间和空间两个维度对采集的交通数据序列进行互相关性计算,结合相关性系数计算结果对数据集进行时空特征分析。同时,对交通数据插补相关理论基础进行了描述和归纳,为后续章节内容的开展莫定了基础。其次,构建基于时空相关性低秩张量插补模型。针对当前交通数据插补方法产生插补结果波动大的问题,基于时空张量插补理论,考虑多个符合交通实际情况的时空因素,构建基于时空相关性低秩张量插补模型,即低秩张量截断核范数插补模型(LRTC-TNN)。最后,基于多种交通数据缺失场景完成对比实验。在两个维度大小不同的交通数据集上,观察了在10%、30%、60%三种缺失率以及随机缺失(RM)与非随机缺失(NM)两种缺失模式下,高精度低秩张量插补模型(Ha LRTC),贝叶斯高斯CP分解(BGCP),贝叶斯增广张量分解(BATF)和提出的低秩张量截断核范数插补模型的插值效果。在缺失率为0.1的情况下,RM缺失模式中相比LRTC-TNN模型,BGCP模型的RMSE从4.3197降低到1.3779,降低了68.1%,MAPE也降低了70.8%;在缺失率为0.6的情况下,在RM模式下相对于其它插补模型LRTC-TNN模型的RMSE/MAPE平均降低了57%。实验结果表明提出的LRTC-TNN模型可以提高交通数据插补的准确性,为智能交通的推广和应用提供了一定的理论依据和参考价值。

关键词：缺失交通数据交通数据插补低秩张量时空相关性

来源：评论

学校读者我要写书评

暂无评论

融合不确定性建模的时空交通数据插补方法研究

融合不确定性建模的时空交通数据插补方法研究

引用

作者：刘乐北京交通大学

学位级别：硕士

交通数据缺失是智能交通系统中无法避免的问题。对缺失的交通数据进行补全和不确定性量化有助于提高智能交通系统中数据驱动的应用服务的精度和可靠性。然而,目前绝大多数交通数据插补方法只能针对缺失值给出点估计,无法量化插补结果的... 详细信息

交通数据缺失是智能交通系统中无法避免的问题。对缺失的交通数据进行补全和不确定性量化有助于提高智能交通系统中数据驱动的应用服务的精度和可靠性。然而,目前绝大多数交通数据插补方法只能针对缺失值给出点估计,无法量化插补结果的不确定性,难以满足智能交通系统对数据可靠性的要求。此外,现实情况中的缺失值是不存在真实标签的,因此依赖缺失数据真实标签的有监督学习方式在实际中是无法落地应用的。目前很多插补模型的解决方案是采用自编码器方式进行训练,即通过让模型重构非缺失值实现模型的训练,这种方式难以保证模型在真实的缺失值上具有良好的泛化能力。针对上述两点挑战,本文开展了如下研究: 首先,提出了一种基于自监督学习的交通数据插补和不确定性量化模型IUNet,解决了无真实缺失值标签情况下的模型参数学习问题。具体而言,为了捕获交通数据的时空相关性,服务于缺失值插补任务,采用结合了图卷积的门控循环单元处理时空交通图序列数据;为了解决缺失值不存在真实标签的问题,采用随机Mask策略删除原始数据中的一部分非缺失值,并利用这部分非缺失值的真值指导模型训练;为了实现对插补结果的不确定性量化,采用变分Dropout方法对门控循环单元的隐状态进行随机丢弃,在测试时通过多次前向传播,利用多个插补结果的统计量来量化不确定性。在两个交通流量数据集上构造了随机缺失、非随机缺失和全盲缺失3种缺失模式,设置了4种缺失率进行实验。实验结果表明IUNet模型在数据插补和不确定性量化的性能上相比基准模型都有显著的提升。其次,对如何利用不确定性指导模型学习时空相关性以提升数据插补和不确定性估计的精度做了进一步的探索。具体而言,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,在建模不确定性时需要将这些因素综合起来考虑。并且,缺失值是一种无效信息,在交通数据插补任务中学习时空相关性时必须考虑缺失值的影响。因此,提出了一种时空不确定性指导的交通数据插补模型STUIN,创新性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。实验结果表明STUIN模型相比IUNet模型进一步提升了数据插补和不确定性量化的性能。

关键词：交通数据插补不确定性量化时空数据挖掘时空图数据

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：