本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

May, 2023

本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

Jul, 2021

本研究提出了一种基于图卷积网络和动态图学习模块的方法（GCN-M），用于在具有复杂缺失值的时空上下文中处理交通流量预测任务。实验结果表明，所提出的方法具有可靠性。

Dec, 2022

本文介绍一种基于迭代填充网络的模型，用于处理机器学习任务中的传感器数据且能够捕捉数据中的潜在大范围动态，并在北京空气质量和气象数据集中显着优于以往的插值填充方法，同时在不同的缺失率实验中也表现出一致的优越性。

Nov, 2017

本论文提出了一种更通用的缺失数据填充 (MDI) 框架，使用图神经网络 (GNNs) 建立自编码器与边表征向量，通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法，在大量缺失值时尤为明显。

May, 2019

本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

Apr, 2023

这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

Dec, 2023

该论文提出了 SpectraNet，一种新颖的多变量时间序列预测模型，利用动态的潜在空间谱分解来捕捉当前的时间动态和相关性，并同时执行预测和插值任务。在五个基准数据集上，该方法在预测和插值任务上同时实现了最优表现，与其他预测和插值模型相比，参数量减少了高达 92%，训练时间可比较。在数据缺失率高达 80% 的情况下，SpectraNet 的表现将近比次优解改善了 50%。

Oct, 2022

本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

Apr, 2022

本文提出了一种用于解决空间时间交通数据中缺失数据问题的低秩张量完成方法，并定义了一个新的截断核范数，利用交替方向乘子法（ADMM）的框架提出了一种有效的算法来获得每个变量的最优解。数值实验表明，所提出的方法优于许多最先进的缺失数据模型。

Mar, 2020