用于城市交通流插补的多视图双向时空图网络

准确估计丢失的交通数据是智能交通系统（ITS）的重要组成部分之一。非欧几里得数据结构和复杂的缺失交通流模式使得捕获缺失交通流的非线性时空相关性变得具有挑战性，这对于缺失交通数据的插补至关重要。在本研究中，我们提出了一种称为 Multi-BiSTGN 的新型多视图双向时空图网络，用于估算具有复杂缺失模式的城市交通数据。首先，构建三个时空图序列，从不同的时间相关性视图（即时间​​紧密性视图、日周期性视图和周周期性视图）综合描述交通状况。然后，通过基于参数矩阵的方法融合三个双向时空图网络以获得最终的插补结果。为了训练 Multi-BiSTGN 模型，设计了一种考虑三个时间相关视图之间相互作用的新颖损失函数来优化 Multi-BiSTGN 模型的参数。所提出的模型在中国武汉收集的真实交通数据集上得到了验证。实验结果表明，在不同缺失类型（随机缺失、块缺失和混合缺失）和缺失率下，Multi-BiSTGN 优于 10 个现有基线。所提出的模型在中国武汉收集的真实交通数据集上得到了验证。实验结果表明，在不同缺失类型（随机缺失、块缺失和混合缺失）和缺失率下，Multi-BiSTGN 优于 10 个现有基线。所提出的模型在中国武汉收集的真实交通数据集上得到了验证。实验结果表明，在不同缺失类型（随机缺失、块缺失和混合缺失）和缺失率下，Multi-BiSTGN 优于 10 个现有基线。