在现实环境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。本文关注于\emph{轨迹修复}的任务：从观察到的上下文中重建连续的缺失段。我们提出了一种具有对称扩张的时间卷积网络（TCN），它放宽了标准因果约束，允许每个时间步在过去和未来观察中进行抽取，这一特性对于修复至关重要，但在以预测为导向的架构中并不存在。
该模型使用复合损失进行训练，结合了加权均方误差、边界连续性惩罚和光滑性正则化。在一个包含(1,000)个（训练）、(200)个（验证）和(300)个（测试）的合成二维轨迹数据集上进行训练，其中随机遮蔽了20%的段，模型在R²、均方误差（MSE）和平均绝对误差（MAE）指标上表现良好。
博主点评： 本文为轨迹数据修复提供了一种创新的方法，通过时间卷积网络的设计，克服了传统预测模型的局限性，具有较好的实用价值。