记者4月7日从湖南科技大学获悉，该校计算机科学与工程学院教授梁伟团队联合湖南大学、纽约州立大学等科研团队，成功提出了一种时空感知数据恢复网络框架。该研究成果近日在线发表于《IEEE智能交通系统汇刊》（IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS）上。

近年来，协同智能交通系统 (C-ITS)使多个孤立的 ITS 相互协作来提高应用的安全性、可持续性、效率和舒适性。随着C-ITS系统和无线通信网络规模的扩大，传感器故障、传输中断、数据丢失等已成为不可避免的问题，并将造成决策错误等严重的后果。在此背景下，数据恢复技术至关重要，成为许多应用的前提。

数据丢失模式一般分为三种类型，包括随机丢失、段丢失和块丢失。实际应用中，三种数据丢失模式并存，给数据恢复技术带来了巨大挑战。

时空感知数据恢复网络框架。受访者 供图

面对这些挑战，上述科研团队提出了一种时空感知数据恢复网络框架。该框架包括两个并行的特征提取模块图卷积层和输出层，可通过叠加多个图卷积和TCN层，使得模型可以在不同尺度上处理时空相关性。该网络模型适合实时交通数据输入场景，无需重新训练整个模型。此外，该网络模型基于记忆的自适应注意网络组装成图卷积，并利用扩展的时间卷积网络(TCN)来加速训练和推理，使它可以有效地利用语义捕获时空相关性。

实验结果表明，该框架在C-ITS场景下的数据恢复任务中具有良好的性能，相对其它四种丢失数据类型下表现出更低的误差。

“本项研究成果提出了一种基于时空感知数据恢复网络的交通数据恢复方法，该方法在不同数据丢失类型下能够快速提高智能交通应用系统的安全性与实时性，这项成果对推动智能交通大数据技术的发展有重要推动作用。”该论文审稿人表示。

该研究得到了国家重点研发计划、国家自然科学基金、湖南省重点研发计划、湖南省自然科学基金的资助。

相关论文信息: http://dx.doi.org/10.1109/TITS.2022.3156266

不同数据丢失类型背景下各个模型的表现。受访者 供图