[論文レビュー] Pavement Missing Condition Data Imputation through Collective Learning-Based Graph Neural Networks

Ke Yu, Lu Gao|arXiv (Cornell University)|Feb 22, 2026

Infrastructure Maintenance and Monitoring被引用数 0

ひとこと要約

集合学習ベースのグラフニューラルネットワーク（CLGNN）を提案し、過去データと隣接する舗装区間間の空間依存性を活用して欠損データを補完する。標準モデルと比較して補完精度を向上させることを示す。

ABSTRACT

Pavement condition data is important in providing information regarding the current state of the road network and in determining the needs of maintenance and rehabilitation treatments. However, the condition data is often incomplete due to various reasons such as sensor errors and non-periodic inspection schedules. Missing data, especially data missing systematically, presents loss of information, reduces statistical power, and introduces biased assessment. Existing methods in dealing with missing data usually discard entire data points with missing values or impute through data correlation. In this paper, we used a collective learning-based Graph Convolutional Networks, which integrates both features of adjacent sections and dependencies between observed section conditions to learn missing condition values. Unlike other variants of graph neural networks, the proposed approach is able to capture dependent relationship between the conditions of adjacent pavement sections. In the case study, pavement condition data collected from Texas Department of Transportation Austin District were used. Experiments show that the proposed model was able to produce promising results in imputing the missing data.

研究の動機と目的

• 道路ネットワークにおける欠損舗装条件データの問題を動機付け、対処する。
• 隣接する舗装区間間の依存性を捉える CLGNN フレームワークを提案し、補完を行う。
• 履歴データと空間的接続性の両方を取り入れて欠損値推定を改善する。
• TxDOTオースティン管区のデータで手法を評価し、ベースラインモデルと比較する。

提案手法

• 欠損データ補完をグラフベースのタスクとしてモデル化：ノードは舗装区間、エッジは空間的接続。
• ランダムマスキング、GCNベースのラベル予測、予測ラベルと観測ラベルの統合、反復的最適化の4ステップの集合学習フレームワークを用いる。
• ノードの次数で正規化された隣接ノード間の情報伝搬を行うGCN層を適用。
• ラベルなしデータとラベル付きデータの両方を用いて予測を反復的に更新しつつ損失関数を最小化して訓練する。
• CLGNNをCART、NN、RF、GCN、GraphSAGEを含むベースラインモデルと比較する。

Figure 1: Collective Learning-based GNN framework

実験結果

リサーチクエスチョン

• RQ1 隣接する舗装区間の現在の状態スコアは、過去データだけではなく、ある区間の欠損データの補完を改善するか。
• RQ2 GNNフレームワークにおける集合学習は、従来モデルと比べて欠損舗装条件データの補完でどのように性能を発揮するか。
• RQ3 履歴情報と空間情報の両方を取り入れることは、インピュテーション精度にどのような影響を与えるか。
• RQ4 提案するCLGNNは現実のTxDOT舗装ネットワークに対してスケーラブルで効果的か。

主な発見

Model	Accuracy
CLGNN	0.773
GCN	0.725
GraphSAGE	0.721
RF	0.712
CART	0.654
NN	0.556

• CLGNNはベースラインモデルを上回る補完精度を達成（0.773）。
• GCN（0.725）およびGraphSAGE（0.721）はCLGNNを下回るが、RF（0.712）、CART（0.654）、NN（0.556）よりは上回る。
• 履歴データと隣接区間の現在のスコアの両方を組み込むと、競合モデルより約5%の改善が得られる。
• このフレームワークはTxDOTオースティン管区のデータ（2014-2018）で検証され、欠損データ補完に有望な結果を示した。

Figure 2: Condition Score Map in the Case Study Database