时空视图学习支持的城市交通数据缺失补全与短期预测

Missing imputation and short-term prediction of urban traffic flow based on spatiotemporal view learning

随着智能交通系统的快速发展,准确的交通流预测技术已经成为缓解城市交通拥堵的重要手段,也是城市交通科学合理运行管理的必要条件。近年来,随着物联网的快速发展,许多固定位置的传感器已被安装在物理世界中,以持续协作地监控城市路网的交通状态,为交通流预测相关的研究提供了重要的数据源。然而,在现实世界中,由于采集技术和隐私等问题的存在,传感器采集的交通时序数据存在普遍的缺失现象,并极大地限制了交通时序数据的建模能力,制约了交通流预测模型的性能。因此,论文围绕“缺失交通数据补全”“顾及缺失值的交通数据预测”,基于时空视图学习方法,主要完成了以下4个研究内容。