近日，我校计算机科学与工程学院梁伟教授团队在智能交通领域数据分析处理方向取得新进展。研究成果以“Spatial-Temporal Aware Inductive Graph Neural Network for C-ITS Data Recovery”为题，在线发表于国际公认的《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》权威期刊上，该期刊2021年影响因子/JCR分区：6.492/Q1，是智能交通领域的国际顶级权威期刊。

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：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。例如，在实时应用场景下的快速准确的数据恢复，动态场景下的不规则丢失等。面对这些挑战，该研究成果提出了一种时空感知数据恢复网络（spatial-temporal aware Graph Neural Networks，STAR）框架（如下图所示）。该框架包括两个并行的特征提取模块：图卷积层和输出层。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。

▲ 时空感知数据恢复网络框架

实验结果表明，STAR在C-ITS场景下的数据恢复任务中具有良好的性能。例如，下图是不同数据丢失类型背景下各个模型的表现，从图可知，STAR相对其它四种新颖的方法在四种丢失数据类型下表现出更低的误差。

▲不同数据丢失类型背景下各个模型的表现

这项研究得到了国家重点研发计划（2021YFA1000600），国家自然科学基金（62072170，61976087），湖南省重点研发计划项目（2022GK2015），湖南省自然科学基金（2021JJ30141）的资助。

论文链接：https://ieeexplore.ieee.org/document/9733959