《Advanced Engineering Informatics》：JSL-MGNN: A spatiotemporal graph framework for unified indoor occupant density interpolation and prediction with missing data resilience
编辑推荐：
•提出了一种集成的联合时空学习（JSL）框架，用于解决预测和插值任务，利用共享信息；•开发了一种多图共享编码器，用于捕获时空占用数据中的多种关系；•在JSL-Decoder中建模任务依赖性，以优化时空插值和预测任务；•所提出的JSL-MGNN模型增强了对缺失数据和时空稀疏性的抵抗
- •
提出了一种集成的联合时空学习（JSL）框架，用于解决预测和插值任务，利用共享信息；
- •
开发了一种多图共享编码器，用于捕获时空占用数据中的多种关系；
- •
在JSL-Decoder中建模任务依赖性，以优化时空插值和预测任务；
- •
所提出的JSL-MGNN模型增强了对缺失数据和时空稀疏性的抵抗能力；
- •
验证了JSL-MGNN在中等到高缺失率下的稳定性能。
引言
人员管理对于确保公共安全、优化运营效率以及从数据中获取洞察以改进校园、购物中心、体育场和交通枢纽等场所的空间设计和用户体验至关重要[1]。特别是，人员预测可以通过预测人员密度来主动管理室内和室外空间，降低过度拥挤的风险，并促进数据驱动的规划。此外，人员数据在以人员为中心的室内环境管理和量化分析人员变量与室内环境质量（IEQ）之间的关系方面发挥着重要作用[2][3]。在这方面，人-建筑互动（HBI）已成为一个关键的研究领域，专注于理解双向关系。人员档案对于评估建筑使用者如何影响建筑系统至关重要。陈等人[4]根据能源足迹对这些档案进行了分类，包括占用率、互动性和行为效率等指标。现有文献指出，占用数据集通常包含人员密度、到达/离开时间、空间分布和活动类型等变量。对于人员研究，数据收集现在严重依赖于物联网（IoT）技术，该技术实现了感知、数据传输和实时监控的集成。例如，闭路电视（CCTV）系统（一种常见的IoT集成工具）是室外人群监控的基石[5]。然而，在室内场景中，由于隐私问题，这种方法的应用受到限制[6]。其他新兴的基于IoT的解决方案进一步扩展了室内和适应性监控能力：社交媒体分析[7]、射频识别（RFID）[8]、WIFI传感[9]和可穿戴IoT设备[10]都为人员密度估计和动态占用跟踪等任务提供了补充支持。
IoT传感技术生成时空时间序列数据，使得可以对室内人员管理进行数据驱动的研究。先前的研究利用机器学习和深度学习框架进行室内人员预测，一些研究专注于时间序列特征[11][12]，其他研究则将时空依赖性纳入其预测模型中[13][14][15]。尽管IoT设备在各种智能系统中得到了广泛部署，但以往的研究主要关注预测任务，留下了许多未探索的关键挑战。在这些缺口中，与缺失数据和传感器故障（例如异常值、偏差和漂移）相关的数据质量问题在之前的研究中经常被提及[16][17]。在预测任务中，传感器故障通常被视为异常值或噪声，这些异常值或噪声通常会直接从数据集中移除，这种做法可能会加剧数据量减少、时间连续性中断或统计属性偏置等问题[18][19][20]。同时，IoT传感器数据中的缺失值很普遍，这通常是由于数据传输失败、传感器故障或维护相关中断造成的。以往的研究通常将插补作为预测任务中的预处理步骤，通常采用线性插值或移动平均插补等简单方法[13][21]。随着时间序列和时空数据挖掘的发展，数据驱动的时空深度学习任务可以分为四种主要类型：预测、插补、异常检测和分类[22]。然而，大多数现有的时空数据驱动模型过于关注预测任务本身，许多研究忽略了不同时空任务之间的依赖性。这种对单任务建模的过度依赖也凸显了从可用数据中推断缺失值的插补技术的需求。虽然存在一些多任务学习（MTL）方法，但大多数研究仅关注变量间的依赖性，而不是任务间的依赖性。例如，张等人[23]使用MTL框架来解决交通系统中的变量间依赖性（例如人群、车辆、自行车）；宋等人[24]利用时空MTL框架解决综合能源系统中能源变量（例如制冷、供暖、电力负荷）间的变量间依赖性。
因此，为了解决现有研究中建模时空任务相互关系的挑战，我们引入了一个集成框架，用于联合建模时空人员预测和插值。该框架基于我们提出的联合时空学习多图神经网络（JSL-MGNN），该网络利用自适应图神经网络在联合优化的框架内对从插值到预测的有向任务依赖性进行建模。所提出框架中的动态图神经网络（GNN）模型采用多图结构同时编码多种时空依赖性，包括时间动态、空间相关性和功能关系。同时，该框架使用共享编码器促进跨任务信息共享并提高模型的泛化能力。在解码器中，任务依赖性建模通过基于GNN的消息传递明确捕获从插值到预测的有向关系，使得重建的节点状态作为下游预测的中间表示进行学习，而不是作为外部预处理输出。
在本文的其余部分，第2节回顾了与时空预测、插值和多任务学习相关的文献。第3节讨论了我们提出框架的详细信息。第4节展示了实验和结果的比较。最后，第5节得出了本文的结论。
章节片段
传统方法
人员预测有助于提高能源效率、空间利用率、安全性和人员福祉。先前的研究调查了人员管理的各个方面。然而，基于CCTV的室内监控受到隐私问题的限制。这推动了人们对室内人员代理建模的研究：WiFi已被广泛用于估计人员位置[11][25]，而蓝牙则以更低的能耗实现更高分辨率的感知[26][27]。RFID能够实现实时...
整体框架
所提出的用于时空插值和预测的集成框架如图2所示，包括3个主要部分。该框架的第一部分是数据检索，利用香港科技大学数字孪生（HKUST Digital Twin[75]）和PulseHKUST[9]提供的数据集。可以通过应用程序编程接口（API）门户访问包括不同传感器ID和带有时间戳的人员读数的IoT数据，这些数据以CSV格式存储为原始数据集。
实验设置
为了验证我们的框架，我们在校园人员数据集上进行了案例研究，校园平面图和人员传感器位置如图7所示。该数据集包含53个传感器站点，记录了2018年10月至11月两个月间的人员密度，包括每6分钟一次的14,640个时间戳。选择这个时间段是为了捕捉各种占用模式，包括节假日、工作日和学术活动高峰期，确保数据反映了与实际情况相关的复杂性...
结论与未来发展
本研究解决了时空插值（填充缺失的传感器数据）和时空预测（预测未来系统状态）的挑战，这两者对于监控和优化人员管理、建筑环境和基于IoT的智能空间至关重要。通过制定一个统一这些目标的JSL框架，这项工作提供了四个关键贡献，并证实了将插值和预测作为协作过程而非...
CRediT作者贡献声明
Cong Huang：撰写——审稿与编辑，撰写——初稿，可视化，验证，方法论，形式分析，数据管理，概念化。Helen H.L. Kwok：撰写——审稿与编辑，方法论，形式分析，概念化。Fangli Hou：撰写——审稿与编辑，方法论。Zhaoji Wu：撰写——审稿与编辑。Mingkai Li：撰写——审稿与编辑。Jun Ma：撰写——审稿与编辑，验证，方法论。Jack C.P. Cheng：撰写——审稿与编辑，
利益冲突声明
作者声明他们没有已知的可能会影响本文报告工作的竞争财务利益或个人关系。
Cong Huang|Helen H.L. Kwok|Fangli Hou|Zhaoji Wu|Mingkai Li|Jun Ma|Jack C.P. Cheng
