发表机构
CEREMADE, Université Paris Dauphine - PSL, CNRS（巴黎第九大学 - 巴黎文理研究大学、法国国家科学研究中心决策数学与经济实验室）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对现实中轨迹数据常缺失的问题，提出用带对称扩张的时间卷积网络进行轨迹修复，放宽因果关系约束，利用组合损失训练，在含随机掩码片段的合成数据集上训练，取得良好的R²、MSE和MAE指标。
AI 中文摘要
在现实世界中收集的轨迹数据常常因传感器故障、通信丢失或遮挡而不完整。我们致力于解决“轨迹修复”任务，即从观察到的上下文重建连续的缺失片段。我们提出了一种具有对称扩张的时间卷积网络（TCN），它放宽了标准因果关系约束，使每个时间步都能利用过去和未来的观测值，这一特性对修复至关重要，但预测导向的架构中不存在。该模型使用组合损失进行训练，该损失结合了加权均方误差、边界连续性惩罚和光滑正则化器。在一个包含1000个（训练）、200个（验证）和300个（测试）二维轨迹的合成数据集上进行训练，其中随机放置20%的掩码片段，该模型取得了良好的R²、MSE和MAE指标。
英文摘要
Trajectory data collected in real-world settings is frequently incomplete due to sensor failure, communication loss, or occlusion. We address the task of \emph{trajectory inpainting}: reconstructing contiguous missing segments from observed context. We propose a Temporal Convolutional Network (TCN) with symmetric dilation that relaxes the standard causality constraint, allowing each time step to draw on both past and future observations, a property that is essential for inpainting, but absent from forecasting-oriented architectures. The model is trained with a composite loss that combines weighted mean squared error, boundary--continuity penalties, and a smoothness regularizer. Trained on a synthetic dataset of $1,000$ (train), $200$ (validation), and $300$ (test) two-dimensional trajectories with randomly placed 20% masked segments, the model achieves good R$^{2}$, MSE and MAE metrics.
