本論文では、交通時間系列の欠測データ補完の重要性を述べ、欠測データの多様な種類（ランダム、繊維、ブロック欠測）が補完作業を困難にすることを説明しています。従来のモデルは、データポイント間の関係に基づいて空間的および時間的パターンを分離してモデル化することに焦点を当てていますが、ランダムな欠測位置に適応するのが難しく、長期的かつ大規模な依存関係を学習するのが困難です。これに対処するために、パターンを内部のデータポイント間の関係から生じる「主要パターン」と、外部要因（タイムスタンプやノード属性）に影響される「補助パターン」に分類しました。これに基づき、主要-補助空間-時間ネットワーク（PAST）を提案し、動的グラフと多次元畳み込みを用いた主要パターンの抽出と、埋め込まれた外部特徴を用いた補助パターンの抽出を行います。実験では、27の欠測データ条件において、PASTの補完精度が最新の基準モデルを最大26.2%のRMSEおよび31.6%のMAEで上回ることが示されています。