2020年9月，THU-LEAD李会平博士的研究论文“A spatiotemporal approach for traffic data imputation with complicated missing patterns（一种处理复杂缺失模式的交通数据时空填补方法）” 被Transportation Research Part C: Emerging Technologies接收。

       文章亮点：

       • 一种时空融合的交通数据缺失填补方法

       • 处理多种缺失模式，包括：随机缺失、连续非完成缺失、连续完全缺失、混合缺失

       • 用真实数据集进行了大量数值实验

       • 当缺失率高达90%时仍可适用

       文章摘要：

       随着智能交通系统（ITS）的出现，时空交通数据在交通的实时监控，预测和控制中变得越来越重要。然而，数据收集设备经常面临各种不可预测的中断引起的故障，从而形成所谓的“数据缺失问题”。通常，数据收集设备的中断与一些外部事件（例如，停电和自然灾害）相关。此外，缺失模式可能为随机或连续的形式。为了处理具有复杂缺失模式的填补任务，我们提出了一种混合时空方法，该方法采用“prophet”模型利用时间序列属性，并通过迭代随机森林模型处理空间残差信息，这两个部分的结果被整合到最终的输出中。基于PeMS高速公路数据集和大量人工设计的场景（例如随机，连续非完全和完全缺失模式）下的城市道路数据集，我们将模型和KNN, STL, BGCP, DAE等模型进行了对比。测试结果表明，对于大多数缺失模式，尤其是连续完全缺失模式或混合缺失模式，我们的方法可获得最 佳缺失补全效果。 此外，该模型在高达0.9的极限丢失率下仍然表现良好，证明了该模型在极端情况下的鲁棒性。