文章地址：
STGAN: Spatio-temporal generative adversarial network for traffic data imputation

主要研究问题：

由于硬件故障或数据传输，观测到的交通数据中产生了噪声和缺失条目。这些质量差的数据无疑会降低ITS的性能；

本文贡献：

• 为交通数据插补任务提出了一种改进的生成对抗网络框架。引入 GAN 来捕获大量分布的流量数据，并链接扩张卷积捕获的相邻数据以优化插补过程。（其实就是去找到真实数据的分布，并且我认为数据本身以及是已知的，才能用GAN这样的框架，本质就是去学习数据的分布情况）在本文中，我们考虑了丢失交通数据的时空相关性，并提出了一种改进的基于 GAN 的交通数据插补方法，称为时空生成对抗网络（STGAN）。
• 受到流量数据与其周围邻居之间强相关性的启发（是否可以和nature那篇文章进行链接？），提出了中心损失，以使估算的条目符合相应的邻居分布。此外，设计了生成损失(这个可以借鉴)来衡量每个缺失条目与其真实值之间的距离。（因为需要指标来说明你的问题）
• 设计了两种网络架构。首先引入跳跃连接机制，保证观测值不变，避免丢失深