Neues Graph Neural Network füllt fehlende Straßenzustandsdaten zuverlässig aus

Die Bewertung des Straßenzustands ist entscheidend für die Planung von Wartungs- und Sanierungsmaßnahmen. In der Praxis bleiben jedoch häufig Datenlücken bestehen, weil Sensoren versagen oder Inspektionen unregelmäßig stattfinden. Solche fehlenden Werte führen zu Informationsverlust, verringern die statistische Aussagekraft und können zu verzerrten Einschätzungen führen.

Um dieses Problem zu lösen, hat ein Forschungsteam ein neues Verfahren entwickelt, das auf kollektivem Lernen in Graph Convolutional Networks basiert. Das Modell nutzt die Eigenschaften benachbarter Straßenabschnitte sowie die Abhängigkeiten zwischen beobachteten Zuständen, um fehlende Werte präzise zu schätzen. Im Gegensatz zu herkömmlichen Graph Neural Networks kann es die gegenseitigen Beziehungen zwischen angrenzenden Abschnitten erfassen und damit die Genauigkeit der Imputation erhöhen.

In einer Fallstudie wurden Daten des Texas Department of Transportation aus dem Austin District verwendet. Die Experimente zeigten, dass das neue Modell die fehlenden Zustandswerte zuverlässig rekonstruieren kann und damit eine vielversprechende Lösung für die Datenlücken im Straßeninfrastrukturmanagement darstellt.