一种用于多变量交通序列补全的时空曼巴扩散混合网络制造技术

本发明专利技术提出了一种用于多变量交通序列补全的时空曼巴扩散混合网络(CMDSI)。该模型将扩散模型与曼巴模块相结合，显著提升了数据插补的性能，更有效地处理缺失数据。创新性的曼巴注意力双模块使得模型能够更好地捕捉长序列中的时空依赖性，从而提高了其可扩展性和适应性。此外，CMDSI特别引入了时空因果先验知识，这一设计使得模型在处理复杂的时空动态系统时具有明显优势。因果先验的应用能够帮助模型更精确地捕捉数据间的内在关系，并有效减少由混杂因素带来的错误关联。为了验证该模型的有效性，我们在三个公开的交通数据集上进行了广泛的实验。实验结果表明，CMDSI在时间序列插补任务中显著优于现有的最新技术，证明了其在复杂时空数据处理中的优势和有效性。本研究不仅为智能交通系统中的数据插补提供了新的思路，也为未来相关领域的研究和应用奠定了坚实的基础，具有广阔的应用前景。

【技术实现步骤摘要】

本专利技术涉及物联网人工智能领域，更具体的，涉及一种用于多变量时空序列补全的曼巴扩散混合网络。

技术介绍

1、智能交通系统的快速发展使得交通数据的收集和分析对于有效的交通管理和规划至关重要。物联网的进步进一步促进了各种传感器和监控设备的无缝集成。然而，由于传感器故障、通信中断和数据稀疏等问题，交通数据集中经常会出现缺失值，这削弱了它们的有用性和有效性，严重阻碍了实时交通监控。因此，实施有效的方法来处理缺失值对于提高下游应用任务的准确性至关重要，例如交通预测和路线规划。最近，多元时间序列缺失数据的时空插补技术引起了广泛关注。这些方法利用时间和空间依赖性来有效地恢复丢失的数据。因此，寻找高效的时空插补方法已成为交通数据研究的关键领域。

2、时空交通数据通常表示为张量，这使得张量插补成为解决缺失数据的关键方法。然而，许多现有的张量插补模型过度依赖数据的代数性质。它们往往无法完全捕捉到局部时空一致性和网络相关性。这些模型忽略了未观察到的片段之间的潜在相互作用，从而限制了它们的插补能力。此外，虽然引入了平滑先验和低秩结构来提高性能，但在大规模网络的背景下本文档来自技高网...

【技术保护点】

1.一种用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，包括以下步骤：

2.根据权利要求1所述的用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，步骤S1中，采样到的N个多元时间序列数据中的第n个序列可以表示为：

3.根据权利要求2所述的用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，步骤S2中的掩码矩阵为M(n)，具体可以表示为：

4.根据权利要求3所述的用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，步骤S3的因果发现方法以函数因果模型为基础，并利用格兰杰因果关系表征，将时间序列表示为非线性自回归函数。通过非线...

【技术特征摘要】

1.一种用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，包括以下步骤：

2.根据权利要求1所述的用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，步骤s1中，采样到的n个多元时间序列数据中的第n个序列可以表示为：

3.根据权利要求2所述的用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，步骤s2中的掩码矩阵为m(n)，具体可以表示为：

4.根据权利要求3所述的用于多变量交通序列补全的时空曼巴扩散混合网络，其特征在于，步骤s3的因果发现方法以函数因果模型为基础，并利用格兰杰因果关系表征，将时间序列表示为非线性自回归函数。通过非线性自回归方程的转换以及噪声数据的替换，通过最大化证据下界，即可获得因果矩阵的近似分布。时空两个维度的计算方法相同，只需要转换一下序列的基准维度。

5.根据权利要求4所述的用于多变量交通序列补全的时空曼巴扩散混合网络，...

【专利技术属性】
技术研发人员：姜园，田鑫莹，赵磊，
申请(专利权)人：中山大学，
类型：发明
国别省市：