[發明專利]基于多視圖學習的時空缺失數據補全方法、裝置及介質

有效

• 申請號: 202111369399.7
• 申請日: 2021-11-18
• 公開（公告）號: CN113806349B
• 公開（公告）日: 2022-02-18
• 發明（設計）人: 杜震洪;覃夢嬌;張豐;汪愿愿;吳森森;劉仁義
• 申請（專利權）人: 浙江大學
• 主分類號: G06F16/215
• 分類號: G06F16/215;G06F16/29;G06N3/04;G06N3/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種基于多視圖學習的時空缺失數據補全方法，用于對環境監測數據集進行監測參數缺失值的補全，所述環境監測數據集中包含不同監測站點對應的監測參數值時序序列，其特征在于，所述補全方法包括如下步驟：

S1、針對待補全的環境監測數據集，根據各監測站點之間的距離確定每個數據缺失監測站點的鄰近監測站點集合，并針對每個數據缺失監測站點以及其的鄰近監測站點集合構建包含監測站點、監測時間、監測參數三個維度的數據張量；所述數據缺失監測站點中至少有一個監測參數字段存在監測參數缺失值；

S2、針對每個數據缺失監測站點對應的數據張量，將每個監測參數缺失值所在位置分別沿三個維度進行二維矩陣分解，得到包含監測時間和監測站點兩個維度的第一混合視圖矩陣、包含監測時間和監測參數兩個維度的第二混合視圖矩陣以及包含監測站點和監測參數兩個維度的第三混合視圖矩陣；

S3、針對環境監測數據集中每一個監測參數缺失值對應的每個混合視圖矩陣，通過矩陣完備算法分別進行監測參數缺失值的全局補全和局部補全，每個監測參數缺失值以全局補全值和局部補全值的平均值作為當前混合視圖矩陣中的補全結果；其中，第一混合視圖矩陣、第二混合視圖矩陣、第三混合視圖矩陣執行全局補全時，分別以整個第一混合視圖矩陣、整個第二混合視圖矩陣、所在時段內所有監測時間的第三混合視圖矩陣拼接結果作為矩陣完備算法的待補全矩陣；第一混合視圖矩陣、第二混合視圖矩陣、第三混合視圖矩陣執行局部補全時，分別以第一混合視圖矩陣按時間塊劃分后的第一局部矩陣、第二混合視圖矩陣按時間塊劃分后的第二局部矩陣、整個第三混合視圖矩陣作為矩陣完備算法的待補全矩陣；

S4、將環境監測數據集中每一個監測參數缺失值在三個混合視圖矩陣中的補全結果輸入經過訓練的多視圖學習神經網絡模型中，對三個補全結果進行整合，得到每一個監測參數缺失值的最終估計，完成環境監測數據集的時空缺失數據補全。

2.如權利要求1所述的基于多視圖學習的時空缺失數據補全方法，其特征在于，所述環境監測數據集以關系數據庫形式存儲，記錄每個監測站點的位置坐標信息、監測參數值和監測時間信息。

3.如權利要求1所述的基于多視圖學習的時空缺失數據補全方法，其特征在于，確定每個數據缺失監測站點的鄰近監測站點集合的方法為：計算目標數據缺失監測站點與其余各監測站點之間的歐幾里得距離，并根據歐幾里得距離由小到大的順序按照預設數量選出鄰近監測站點，計算目標數據缺失監測站點與每個鄰近監測站點之間監測參數值的相關性，剔除相關性低于閾值的鄰近監測站點后，將剩余鄰近監測站點構建為鄰近監測站點集合。

4.如權利要求1所述的基于多視圖學習的時空缺失數據補全方法，其特征在于，所述第一混合視圖矩陣采用IALM算法作為矩陣完備算法；在進行全局補全時，IALM算法對整個第一混合視圖矩陣進行補全，得到每個監測參數缺失值的全局補全值；在進行局部補全時，先將第一混合視圖矩陣按時間塊劃分為多個第一局部矩陣，IALM算法對所有第一局部矩陣分別進行補全，得到每個監測參數缺失值的局部補全值；第一混合視圖矩陣中將每個監測參數缺失值對應的全局補全值和局部補全值的平均值作為補全結果。

5.如權利要求1所述的基于多視圖學習的時空缺失數據補全方法，其特征在于，所述第二混合視圖矩陣采用FPCA算法作為矩陣完備算法；在進行全局補全時，FPCA算法對整個第二混合視圖矩陣進行補全，得到每個監測參數缺失值的全局補全值；在進行局部補全時，先將第二混合視圖矩陣按時間塊劃分為多個第二局部矩陣，FPCA算法對所有第二局部矩陣分別進行補全，得到每個監測參數缺失值的局部補全值；第二混合視圖矩陣中將每個監測參數缺失值對應的全局補全值和局部補全值的平均值作為補全結果。