喜报 | 我所一篇论文被CCF C类会议PAKDD 2023录用

发布时间：2023年03月01日

      由我所师生合作完成的一篇论文Generative-Contrastive-Attentive Spatial-Temporal Network for Traffic Data Imputation被CCF C类国际会议Pacific-Asia Conference on Knowledge Discovery and Data Mining（PAKDD 2023）录用，论文由我所硕士生彭文闯在林友芳老师、郭晟楠老师和万怀宇老师的指导下，与唐伟文、刘乐同学合作共同完成。

      在智能交通系统（ITS）中，数据丢失是不可避免的。尽管已经提出了许多用于交通数据插补的方法，但由于两个原因，它仍然非常具有挑战性。首先，缺失数据的基本标签实际上是无法获得的，这使得大多数插补方法很难训练。第二，不完整的数据很容易误导模型学习不可靠的时空依赖，这最终影响了插补性能。在本文中，我们提出了一种新的用于交通数据插补的生成对比注意时空网络Generative-Contrastive-Attentive Spatial-Temporal Network（GCASTN）模型。它将生成式和对比式自监督学习的思想结合在一起，设计了一种新的插补训练范式，这种训练范式不依赖缺失数据的真实标签。此外，它引入了最近缺失区间来描述缺失数据，并设计了一种新的缺失感知注意Missing-Aware Attention（MAA）机制，以利用最近缺失区间指导模型自适应地学习不完整交通数据的合理的时空相关性。在两个真实世界交通流数据集上进行的涵盖三种缺失场景的广泛实验表明，GCASTN优于最先进的基准模型。