针对异构交通数据插补的全球多子图图卷积生成对抗网络
《Neurocomputing》:Global and multi-subgraph graph convolutional generative adversarial network for heterogeneous traffic data imputation
【字体:
大
中
小
】
时间:2026年03月26日
来源:Neurocomputing 6.5
编辑推荐:
针对智能交通系统中异质缺失数据插补难题,提出GMSGC-GAN框架。该模型通过全局图学习捕获整体时空特征,多子图学习层提取局部节点特征,并利用节点缺失率动态调整邻域信息聚合。结合生成对抗网络生成缺失数据,实验表明其在随机、时空相关及块缺失等场景下均优于基线方法。
张浩|严茂德|左磊|齐云超
中国西安长安大学电子与控制工程学院,710064
摘要
在智能交通系统(ITS)中,交通数据通常来自不同的传感器,但由于传感器故障、环境干扰或通信故障等原因,这些数据常常存在不同程度的缺失值。然而,大多数现有的数据填充方法将缺失数据视为一个同质性问题,假设所有节点的缺失率和模式都是相同的。此外,传统的基于图的模型通常从时间序列数据构建全局图。这忽略了局部特征的重要性以及缺失条件对节点关系的影响。为了解决这些问题,提出了一种名为全局多子图图卷积生成对抗网络(GMSGC-GAN)的新框架。具体来说,根据节点的缺失率和模式定义了异构缺失模式。为了同时捕捉全局和局部特征,该模型整合了全局图学习层和多子图学习层。值得注意的是,节点缺失率被作为辅助输入引入到这些层中,使GMSGC-GAN能够在异构缺失系统中自适应地从缺失率较低的相邻节点提取信息。最后,利用基于GAN的数据填充层根据学习到的特征生成缺失样本。在三个数据集上的实验表明,GMSGC-GAN在各种缺失场景中具有优势。即使在某些节点完全丢失数据的情况下,它也能保持稳健的性能。
引言
由于传感器故障、环境噪声和通信中断等各种因素,缺失数据在智能交通系统(ITS)中是一个常见的问题[1]、[2]。人们对交通数据填充(也称为交通数据补全或重建)的关注日益增加。其目标是使用观测数据生成完整的数据。这在交通研究和应用中具有显著的优势,特别是在交通预测、交通异常检测和管理方面[3]、[4]、[5]。
最近,许多先进的统计方法被用于填充缺失的交通数据,如克里金插值[6]、主成分分析(PCA)[7]和张量分解[8]、[9]、[10]。同时,随着交通检测技术和计算能力的发展,数据驱动的方法也在迅速发展。这些方法利用各种神经网络框架来恢复缺失样本,如循环神经网络(RNN)[11]、图神经网络(GNN)[12]、[13]、[14]和生成对抗网络(GAN)[15]、[16]、[17]。
现有模型主要关注同质缺失模式,经常忽略交通节点(道路段、检测器或车道)的异质性。然而,在真实的交通系统中,交通节点通常表现出不同的缺失行为。为了解决复杂交通环境中的异构缺失问题,明确定义异构缺失模式并开发有效的填充框架是必要的。具体来说,我们首先通过分析真实的交通数据集来制定异构缺失问题。然后,提出了一种基于深度学习的数据填充方法,该方法将交通节点的缺失率信息作为输入数据。为了进一步阐述动机和贡献,从以下三个方面介绍了一些代表性研究。
在回顾填充方法之前,有必要明确交通数据的缺失模式。在交通系统中,缺失模式分为四类[18]:随机缺失(RM),即缺失数据与时间和空间无关;时间相关缺失(TCM),其特征是每个节点连续的时间步长都缺失;空间相关缺失(SCM),涉及多个节点的同时数据丢失;以及块状缺失(BM),即一个时空块中的所有数据都缺失。此外,一些研究将交通数据建模为张量[19]。基于张量模式,[20]中引入了三种管状缺失模式和一种切片缺失模式。
上述缺失模式的定义基于所有交通节点具有相同缺失率和模式的假设。然而,真实的交通系统是异构实体,不同节点表现出不同的缺失模式和率。如图1所示,绿色圆圈表示观测数据,红色圆圈表示缺失值。这种异质性显著增加了数据填充的难度。
GNN为捕捉交通数据中的时空相关性提供了一个强大的框架。早期的基于GNN的方法通常依赖于固定的图结构,包括从节点可达性[21]或皮尔逊相关系数[22]派生的邻接矩阵。这限制了它们模拟动态交通模式的能力。
为了解决这个问题,最近的方法学习了自适应的邻接矩阵以更好地捕捉节点关系[23]、[24]、[25]。在[26]中,提出了一种频率自增强学习模块。该模块使用离散傅里叶变换(DFT)从频率域提取内在关系。Wang等人[27]提出了图张量联盟注意力网络(GT-A2T)。通过将基于张量的消息传递与联盟注意力机制相结合,该模型有效地捕捉了复杂的时空特征。此外,一些研究专注于在缺失数据条件下建立动态关系[28]。例如,Zhou等人[29]将动态图卷积(DGC)与门控循环单元(GRU)相结合。这个集成框架通过学习到的时空模式有效地填充了缺失的交通数据。在另一项研究[25]中,它使用信息融合层来捕捉时间依赖性,并利用斯皮尔曼等级相关系数来模拟局部单调关系。
然而,现有方法主要依赖于全局邻接矩阵,这无法捕捉每个节点的独特特征。此外,在建模动态图结构时,忽略了每个节点的具体条件(如缺失率和模式)。例如,在图1(a)中,节点1的缺失值是通过平等对待所有邻居(节点2、3和4)来填充的。相比之下,在图1(b)中,节点4缺失的数据最多。因此,在填充过程中应更多地依赖节点2和3。
交通数据填充技术旨在从观测数据中重建缺失值。作为一种经典方法,基于张量的模型将交通数据恢复视为张量补全问题[10]、[30]。例如,Chen等人[31]开发了一种四阶保持维度的张量补全(FDPTC)模型。通过使用时间约束,该模型有效地捕捉了时空结构。但是,基于张量的方法往往无法模拟交通数据中的复杂非线性关系[32]。
为了克服这一挑战,越来越多地采用了数据驱动的方法。其中,GAN通过生成器(G)和判别器(D)之间的对抗训练展示了强大的学习复杂数据分布的能力。例如,Zhang等人[33]提出了一个动态多层生成对抗网络(MLGAN)模型。该模型利用双向GRU进行时间特征提取,并使用图卷积网络(GCN)捕捉空间依赖性。在[34]中,将注意力机制与GAN结合使用。这种集成使模型能够有效地捕捉时空特征并适应交通波动。进一步的改进进一步提高了填充性能,包括设计复杂的损失函数[35]和整合多源数据[36]。
然而,这些方法是为同质缺失问题设计的。它们没有明确解决异构缺失条件下的填充问题。在这种情况下,一些节点完全丢失数据,导致用于有效参数学习的数据不足。
受上述分析的启发,我们提出了用于异构交通数据填充的全局多子图图卷积生成对抗网络(GMSGC-GAN)。主要贡献总结如下:
(1)为了准确模拟真实交通数据集中的缺失数据,基于节点缺失率和模式正式定义了异构缺失场景。
(2)为了解决异构缺失数据,提出了一种名为GMSGC-GAN的新数据填充框架。它通过全局图学习层和多子图学习层分别捕捉全局和局部层面的时空特征。
(3)节点缺失率被输入到全局图和多子图学习层中,明确模拟了交通节点的异质性。这种设计使GMSGC-GAN能够自适应地从缺失率较低的相邻节点聚合信息。
本文的其余部分结构如下。第2节介绍了初步知识和问题表述。第3节展示了所提出模型的详细框架。第4节描述了数据集、基线和实验设置。第5节展示了实验结果,第6节总结了结论。本文中使用的符号见表1。
章节片段
数据缺失模式分析
为了清楚地说明真实交通数据集中的异构缺失问题,以从中国青岛收集的真实交通数据为例。该数据集包括9个交叉口的36条车道,时间跨度为两周(2024年10月4日至10月17日),采样间隔为5分钟。图2(a)和(b)分别展示了道路网络拓扑和时空数据。在图2(a)中,圆圈、线条和箭头表示城市交通交叉口、车道和行驶
网络框架
图3展示了GMSGC-GAN的框架,它由三个主要部分组成:(1)全局图学习层;(2)多子图学习层;以及(3)基于GAN的数据填充层。全局图学习层在全局层面捕捉时空特征,而多子图学习层从局部子图中提取节点特征。后者包括空间多子图卷积网络(S-MSGCN)和时间多子图卷积网络
实验设置
在本节中,所提出的模型在三个交通数据集上进行了评估,包括一个公共城市交通速度数据集、一个公共高速公路交通速度数据集和一个从道路交叉口收集的私人城市交通流量数据集。所有实验都在配备了单个NVIDIA GeForce RTX A4000 GPU的计算平台上进行。
填充性能比较
在本节中,评估了所提出的GMSGC-GAN的填充性能与基线模型。表2、表3和表4分别展示了数据集(G)、(S)和(Q)的填充误差。在每个表中,最佳结果以粗体显示,第二佳结果用下划线标出。
如表2所示,GMSGC-GAN在大多数场景中表现出优越的性能。详细来说,PC-GAIN在TCM和BM模式中的性能最差(甚至无效)。
结论
在本文中,基于异构节点缺失率和模式定义了异构缺失模式。为了解决这一具有挑战性的问题,提出了一种高效的深度学习框架GMSGC-GAN。通过整合全局图和多子图学习层,该模型同时捕捉了全局和局部特征。此外,由于将这些层的输入引入了节点缺失率,GMSGC-GAN动态调整了节点之间的权重
CRediT作者贡献声明
张浩:撰写——审稿与编辑,方法论。严茂德:撰写——审稿与编辑,资源,调查。左磊:撰写——审稿与编辑,监督,概念化。齐云超:形式分析,概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的竞争性财务利益或个人关系。
致谢
本工作得到了中国国家重点研发计划(2021YFA1000301, 2021YFA1000303)、国家自然科学基金(52372406)、陕西省重点研发计划(2025GH-YBXM-024)和中央高校基本科研业务费(300102326501)的支持。
张浩目前在中国西安长安大学电子与控制工程学院攻读交通信息工程与控制博士学位。他主要从事交通数据填充和交通预测工作。
生物通微信公众号
生物通新浪微博
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