缺失数据的流量预测：一种多任务学习方法

摘要：基于真实交通数据的交通速度预测是智能交通系统（ITS）中的一个经典问题。大多数现有的交通速度预测模型都是基于交通数据完整或具有罕见缺失值的假设而提出的。然而，由于各种人为和自然因素，在现实场景中收集的此类数据往往是不完整的。==尽管可以通过首先使用插补模型估计缺失值然后应用预测模型来解决此问题，但前者可能会破坏关键的潜在特征并进一步导致误差累积问题。(一句话就区分出和之前工作的区别)==为了解决这个问题，我们提出了一种基于图的时空自动编码器，它遵循编码器-解码器结构，用于具有缺失值的时空交通速度预测。（we propose a graph-based spatio-temporal autoencoder that follows an encoder-decoder structure
for spatio-temporal traffic speed prediction with missing values.）具体来说，我们将插补和预测视为两个并行任务并依次训练它们，以消除插补对预测原始数据的负面影响并加速模型训练过程。（两个Task，并给出解释原因）==此外，我们利用具有自适应邻接矩阵的图卷积层进行空间依赖性建模，并应用门控循环单元进行时间学习。==为了评估所提出的模型，我们对两个真实世界的交通数据集进行了全面的案例研究，这两个数据集具有两种不同的缺失模式，且缺失率范围广泛且实用，从 20% 到 80%。（好像大家都是两个数据集