GuST-Diff:用于交通数据插补的引导条件时空扩散

《ADVANCED ENGINEERING INFORMATICS》:GuST-Diff: Guidance-Conditioned Spatio-Temporal Diffusion for traffic data imputation

【字体: 大 中 小 】 时间:2026年09月23日 来源:ADVANCED ENGINEERING INFORMATICS 11.5

编辑推荐:

   •延续指导为目标条目提供面向恢复的先验。 •指导条件去噪分离了时间和空间依赖建模。 •在点缺失和块缺失情况下,平均绝对误差(MAE)降低达 5.04% 和 4.48%。 **引言** 大规模交通传感数据的日益丰富极大地推动了智能交通系统(ITS)及各种数据驱动应用的发展 [

  

•延续指导为目标条目提供面向恢复的先验。
•指导条件去噪分离了时间和空间依赖建模。
•在点缺失和块缺失情况下,平均绝对误差(MAE)降低达 5.04% 和 4.48%。

**引言**
大规模交通传感数据的日益丰富极大地推动了智能交通系统(ITS)及各种数据驱动应用的发展 [1],包括交通预测 [2]、[3]、拥堵管理 [4] 和异常检测 [5]。然而,现实中的交通传感系统经常因设备故障、通信中断和外部干扰而遭受缺失观测 [6]、[7]。这些缺失数据降低了数据可用性,损害了下游的时空建模和决策,使得交通数据填充分为了可靠分析和应用所必需。
交通数据中的缺失很少是同质的或随机的,通常是异质性且高度结构化的 [8]。交通数据通常表示为由空间分布传感器索引的多变量时间序列。然而在实践中,传感器可能在不同的健康状态下运行,故障设备通常产生不可靠或不可用的观测,如图 1(a) 所示。缺失还表现出明显的时间不规则性。如图 1(b) 所示,交通序列可能包含由瞬态通信故障或长期传感器停机引起的点缺口和长块缺失区间 [9]。当联合考虑多个传感器时,这些时间模式进一步在传感器 - 时间网格上形成结构化的时空缺失区域 [10],如图 1(c) 所示。这种异质性和结构化缺失不仅破坏了局部连续性,还使得在有限观测下恢复全局一致的时空交通动态变得困难 [11]。因此,本研究聚焦于结构化和严重的交通缺失,而非孤立的随机缺口。关键挑战是在点缺失和块缺失下恢复交通状态,同时在观测受限时保持突变和空间一致性。
现有的时空交通填补研究已从传统估计方法发展到数据驱动模型。早期的统计 [12] 和基于插值的方法 [13] 简单且计算效率高,但它们严重依赖局部连续性或简化假设,因此在高缺失率或长块停机下往往性能下降 [14]、[15]。随后,机器学习和深度学习模型通过学习数据中复杂的非线性时空模式,通过循环神经网络(RNNs)[16]、图神经网络(GNNs)[15] 和注意力机制 [17]、[18] 显著提高了表征能力。尽管如此,大多数这些方法本质上仍然是确定性的,旨在从部分观测中产生单一的最佳重构。因此,它们倾向于生成过度平滑的估计,并且无法充分表征缺失区域的不确定性,尤其是在缺失高度结构和广泛的情况下 [19]。这一问题在交通传感网络中尤为关键,因为由拥堵演化或事件干扰引起的突发状态变化可能会被平滑掉,导致动态上不够忠实的填补。
这些局限性促使对时空填补进行概率公式化,其中缺失值通过条件分布而非确定性点估计来建模 [20]。在相同的部分观测下,尤其是在长块缺失区间,可能存在多种可行的完成。从这个角度看,生成模型为时空填补提供了更自然的公式化。早期基于生成对抗网络(GANs)[21] 的研究在一定程度上可以缓解过度平滑,但它们通常遭受训练不稳定、模式崩溃以及难以忠实地保留条件信息的问题 [22]。相比之下,扩散概率模型(DPMs)[19]、[20] 通过迭代去噪过程显式建模条件分布,并在优化稳定性和生成质量方面展示了更强的潜力 [23]、[24]。
尽管取得了这些进展,在利用结构化信息和严重交通缺失的条件信息方面仍存在两个挑战。首先,最近的基于扩散的方法纳入了更丰富的时间、空间和上下文信息 [25]、[26]、[27],但在去噪过程中恢复指导的时间和空间作用并不总是明确分离的。因此,在噪声目标状态下建模时空依赖仍然具有挑战性,特别是对于长连续缺失区间。其次,现有方法要么主要将条件观测用作辅助上下文,要么依赖外部构建的先验,如基于插值的输入 [19]、[25]。如何直接从条件观测构建显式的面向恢复的先验,并有效地将其整合到条件去噪中,仍未得到充分探索。
为了解决这些挑战,我们提出了用于交通数据填补的指导条件时空扩散模型(GuST-Diff)。GuST-Diff 从条件观测构建延续指导信号,并利用时空条件信息进行细化,为目标条目提供面向恢复的时间先验。作为硬初始化之外,精细化的指导表示被纳入去噪过程以条件化目标恢复。此外,GuST-Diff 采用时空解耦去噪器,在专用子模块中分别建模时间依赖和指导条件空间依赖。周期性时间信息和传感器特定特征通过条件表示纳入。我们的主要贡献总结如下:
1. 我们提出了 GuST-Diff,一种用于交通数据填补的指导条件扩散框架,该框架构建并细化延续指导信号,为目标条目提供面向恢复的先验。
2. 我们设计了一种时空解耦去噪器,分别建模时间依赖和指导条件空间依赖,使得在扩散过程中能够实现结构化的时空恢复。
3. 在六个真实世界交通数据集上的大量实验表明,在点缺失和块缺失下均表现出持续强大的性能,与最佳竞争方法相比,平均绝对误差(MAE)分别降低达 5.04% 和 4.48%。

**相关工作**
本节从建模假设和条件机制的角度回顾了现有的交通数据填补方法 [28]、[29]。相关研究分为三类:经典统计和机器学习方法、确定性深度时空填补方法以及基于扩散的生成填补方法。

**定义**
**定义 1** 传感器在长度为 T 的时间窗口内收集的交通观测表示为 X ∈ R^{T×N×F},其中 T 表示时间步数,N 表示传感器数量,F 表示特征通道数。在本研究中,F 通常设为 1,对应于需要填补的目标交通变量。
**定义 2** 为了区分原本不可用的条目和人工掩码的目标,观测条目被划分为条件区域和目标区域:Mcond = Mobs ⊙ (1 ? Meva)

**方法**
如图 2 所示,GuST-Diff 采用指导条件扩散架构进行时空交通数据填补。部分 (a) 执行条件 - 目标划分,并构建时空条件表示、延续指导信号和去噪器输入。部分 (b) 实现指导条件扩散去噪器,其中专用的时间和空间子模块分别建模时间依赖和指导条件空间依赖。部分...

**实验**
本节通过以下研究问题评估 GuST-Diff 在真实世界交通数据集上的表现:
•RQ1: GuST-Diff 在不同数据集、缺失模式和评估指标下表现如何?
•RQ2: 哪些组件对 GuST-Diff 的性能贡献最大?
•RQ3: GuST-Diff 在计算成本和关键架构超参数方面的效率和敏感性如何?
•RQ4: GuST-Diff 对变化的缺失强度有多鲁棒,随机采样...

**结论**
本研究提出了 GuST-Diff,一种用于时空交通数据填补的指导条件扩散框架。GuST-Diff 从条件观测构建延续指导信号,并利用时空条件信息进行细化,为反向扩散提供面向恢复的时间先验。时空解耦去噪器进一步在专用子模块中建模时间依赖和指导条件空间依赖。通过这种设计,...

**CRediT 作者贡献声明**
Shiqi Zhang:写作 – 审阅与编辑,写作 – 原稿,可视化,验证,方法论,调查,资金获取,形式化分析,数据整理,概念构思。Zhuoyan Han:写作 – 审阅与编辑,写作 – 原稿,可视化,验证,数据整理。Yuzhuang Pian:写作 – 审阅与编辑,验证,数据整理。Yonghong Liu:写作 – 审阅与编辑,监督,资金获取,概念构思。H. Oliver Gao:写作 – 审阅...

**利益冲突声明**
作者声明,他们没有任何已知的竞争性经济利益或个人关系可能会影响本论文中报告的工作。

Shiqi Zhang | Zhuoyan Han | Yuzhuang Pian | Yonghong Liu | H. Oliver Gao
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号