近期，韩士元课题组在国际上提出了一种带有缺失特征的动态时空补全网络（DSTMIN）中，并取得重要研究成果。相关成果以“Dynamic spatial-temporal imputation network with missing features for traffic Data imputation”为题，发表于国际期刊IEEE Internet of Things Journal（中科院二区/JCR Q1, 影响因子：8.2）。这种网络结构的引入，为处理复杂的交通网络数据提供了一种新的视角和方法。
感知缺失特征的动态时空补全网络的模型框架图
在研究中提出了一种带有缺失特征的动态时空补全网络（DSTMIN），由嵌入层，掩码注意力模块（MA）和融合图卷积模块（FGC）构成。
1. 嵌入层有效地捕获了掩模中缺失的特征，能够明确识别出缺失数据的位置和模式。这种对缺失数据的显式识别显著增强了下游模型捕捉时空相关性的能力，为后续的数据分析和决策提供了更加准确的基础。
2. 掩码注意力模块（MA）通过结合交通序列中不同时间点的缺失特征和时间关系构建时间图，旨在增强其建模动态时间相关性的能力。MA模块通过强调观测数据的影响，减轻不完整数据的干扰，从而提升了模型对时间序列中动态变化的敏感性和适应性。
3. 融合图卷积模块（FGC）引入了一种新颖的多图结构，该结构不仅捕获了缺失的特征，还整合了空间特征，使得模型能够在高维且稀疏的交通网络中有效地提取更深层次的空间相关性。这种结构的引入，为处理复杂的交通网络数据提供了一种新的视角和方法。
4. DSTMIN在两个公开的现实世界公路数据集（PEMS-BAY和SEATTLE）上进行了广泛的实验验证。实验结果清楚地表明，DSTMIN在多种缺失模式和不同缺失率下，均优于大多数基线模型。与现有技术相比，DSTMIN实现了高达20%的插补误差降低，证明了其在处理交通数据缺失问题上的优越性能和实用性。
