时空注意力混合专家补全 - 高缺失率下的多维流量恢复

1. 解决的问题

现有时序→空间的序贯方法在块状缺失（block-missing）场景下失效——当某个渠道或时段整块数据缺失时，无法提取有效特征。同时，静态图结构无法适应分布偏移（非平稳流量数据的动态空间依赖）。

2. 核心算法逻辑

现有时序→空间的序贯方法在块状缺失（blockmissing）场景下失效——当某个渠道或时段整块数据缺失时，无法提取有效特征。同时，静态图结构无法适应分布偏移（非平稳流量数据的动态空间依赖）。

3. 业务应用场景

母婴品牌在多个跨境渠道（Amazon、Shopee、独立站、TikTok Shop、Lazada 等）运营，每天/每周的流量矩阵为 `(渠道数 × 日期 × 页面类型)` 的三维张量。实际中约 60% 的单元格缺失： - 新渠道上线初期：数据覆盖不完整 - 区域性断流：某些市场的爬虫/API 限流导致整块数据丢失（块缺失） - 小渠道低频流量：日活不足导致页面维度稀疏（点缺失）

现有做法：均值填充或直接忽略缺失，导致： - 归因分析严重偏差（认为某渠道"无流量"实为数据缺失） - 跨渠道对比失真，决策基础不可靠 - 时序模型（预测/异常检测）因缺失而精度下降

将渠道视为"空间节点"（graph nodes），日期为时间维度（time steps），页面类型为特征维度（features）： - 空间节点：5-20 个渠道节点，邻接关系由业务相似性（同大促、同受众）定义 - 时间步：过去 30-90 天日粒度数据 - 特征：各渠道各页面类型的日流量数

4. 输入数据要求

请查看原始代码模板获取输入规格。

5. 输出结果

请查看原始代码模板获取输出规格。

6. 业务价值 / ROI

10-30 万

7. 代码模板

代码块数量：4 · 路径：未检测到

"""
STAMImputer - 时空注意力 MoE 流量矩阵补全
论文: STAMImputer: Spatio-Temporal Attention MoE for Traffic Data Imputation (IJCAI 2025)
应用: 母婴出海跨境电商多渠道流量矩阵补全（60%缺失率）

依赖: numpy, scipy, pandas, torch (CPU 可用)
"""

import numpy as np
import pandas as pd
from typing import Optional, Tuple, Dict, List
import warnings

try:
    import torch
    import torch.nn as nn
    import torch.nn.functional as F
    HAS_TORCH = True
except ImportError:
    HAS_TORCH = False
    warnings.warn("PyTorch 未安装，将使用纯 NumPy 简化实现（推理精度略低）")


# ─────────────────────────────────────────────────────────────
# 1. 低秩引导采样图注意力 (LrSGAT) - NumPy 实现
# ─────────────────────────────────────────────────────────────

class LrSGATNumpy:
    """
    LrSGAT 的 NumPy 简化实现（无需 GPU）

    核心步骤:
      1. 采样投影器：从静态邻接矩阵采样低维注意力向量
      2. 低秩重注意力：低秩矩阵分解过滤冗余关系
      3. 半自适应动态图：用注意力向量生成动态邻接矩阵
    """

    def __init__(
        self,
        n_nodes: int,
        in_features: int,
        rank: int = 4,
        alpha: float = 0.5,
    ):
        """
        Args:
            n_nodes:     空间节点数（渠道数）
            in_features: 输入特征维度（页面类型数 or 时序特征维度）
            rank:        低秩近似的秩 r
            alpha:       静态图与动态图的混合权重（0=全动态, 1=全静态）
        """
        self.n = n_nodes
        self.d = in_features
        self.rank = rank
        self.alpha = alpha

        # 可学习参数（用随机初始化简化）
        np.random.seed(42)
        self.W_proj = np.random.randn(in_features, rank) * 0.1  # 投影矩阵

8. 论文来源

未自动抽取；请查看原始 Skill 卡片。