复杂时空数据修复
一种用于修复复杂时空交通数据缺失值的多阶段深度残差协作学习框架，通过融合图卷积与循环结构来建模交通网络的时空依赖性，并利用可堆叠的双向残差优化结构提高精度和效率。
李金龙 · Li, Ruonan · Xu, Lunhui
Applied Soft Computing Journal 2023
不假设数据生成过程，而是通过ST-imputator中的图卷积和循环结构直接建模交通网络的时空依赖。
在缺失率从10%到90%的范围内，Multi-DRCF的修复结果比其他模型更稳定，适合实际中缺失严重的数据。
在达到优秀修复性能的同时，计算成本处于可接受水平，适合实际部署。