[发明专利]基于多视图学习的时空缺失数据补全方法、装置及介质

说明书

本发明公开了一种基于多视图学习的时空缺失数据补全方法、装置及介质，该方法针对海量多类型的环境监测数据集，对其中的每个数据缺失监测站点构建包含监测站点、监测时间、监测参数三个维度的数据张量，并分解出三个混合视图矩阵，运用矩阵完备算法对构建的三个混合视图从局部和全局尺度进行缺失数据估算，再基于人工深度神经网络进行多视图学习，得到最终监测参数缺失值的估算结果。本发明能够实现环境监测数据集的缺失值补全，在海洋环境监测、智慧城市发展等领域具有重要的意义。

技术领域

本发明涉及地理信息（GIS）技术领域，具体涉及一种基于人工神经网络实现时空大数据中缺失值补全方法。

背景技术

随着“空天地海”立体观测技术的快速发展，高精度、高频度、大覆盖的具有时空属性的大数据快速积累并形成海量多类型对地观测时空数据集。与此同时，数据缺失所带来的时空建模不精准、分析预测不及时等问题给灾害预警、城市监测等研究带来了巨大的挑战。以近岸浮标数据为例，基于浮标系统的海洋环境监测具有高频，实时和低成本等特点，观测数据可实时传输回数据中心，使相关工作人员能够及时观察和了解水域状况，甚至有助于提供诸如藻华和海啸等海洋灾害的预警。但是，由于传输错误、传感器故障和设备维护等原因，数据缺失的情况也时有发生。这些缺失值不仅会影响海洋实时监测（尤其是在紧急情况下），还会影响数据进一步分析、预测和推断的性能。因此，面对海量的时空数据集，如何实现高效、准确地缺失数据补全，是目前亟待解决的技术问题。

发明内容

本发明的目的是克服现有技术的不足，提供一种基于多视图学习的时空缺失数据补全方法。

为实现上述发明目的，本发明具体采用的技术方案如下：

第一方面，本发明提供了一种基于多视图学习的时空缺失数据补全方法，用于对环境监测数据集进行监测参数缺失值的补全，所述环境监测数据集中包含不同监测站点对应的监测参数值时序序列，所述补全方法包括如下步骤：

S1、针对待补全的环境监测数据集，根据各监测站点之间的距离确定每个数据缺失监测站点的邻近监测站点集合，并针对每个数据缺失监测站点以及其的邻近监测站点集合构建包含监测站点、监测时间、监测参数三个维度的数据张量；所述数据缺失监测站点中至少有一个监测参数字段存在监测参数缺失值；

S2、针对每个数据缺失监测站点对应的数据张量，将每个监测参数缺失值所在位置分别沿三个维度进行二维矩阵分解，得到包含监测时间和监测站点两个维度的第一混合视图矩阵、包含监测时间和监测参数两个维度的第二混合视图矩阵以及包含监测站点和监测参数两个维度的第三混合视图矩阵；

S3、针对环境监测数据集中每一个监测参数缺失值对应的每个混合视图矩阵，通过矩阵完备算法分别进行监测参数缺失值的全局补全和局部补全，每个监测参数缺失值以全局补全值和局部补全值的平均值作为当前混合视图矩阵中的补全结果；其中，第一混合视图矩阵、第二混合视图矩阵、第三混合视图矩阵执行全局补全时，分别以整个第一混合视图矩阵、整个第二混合视图矩阵、所在时段内所有监测时间的第三混合视图矩阵拼接结果作为矩阵完备算法的待补全矩阵；第一混合视图矩阵、第二混合视图矩阵、第三混合视图矩阵执行局部补全时，分别以第一混合视图矩阵按时间块划分后的第一局部矩阵、第二混合视图矩阵按时间块划分后的第二局部矩阵、整个第三混合视图矩阵作为矩阵完备算法的待补全矩阵；

S4、将环境监测数据集中每一个监测参数缺失值在三个混合视图矩阵中的补全结果输入经过训练的多视图学习神经网络模型中，对三个补全结果进行整合，得到每一个监测参数缺失值的最终估计，完成环境监测数据集的时空缺失数据补全。

作为上述第一方面的优选，所述环境监测数据集以关系数据库形式存储，记录每个监测站点的位置坐标信息、监测参数值和监测时间信息。