顾及缺失值的因果图时空预测网络

• Published in: Ce hui xue bao Vol. 52; no. 5; pp. 818 - 830
• Main Authors: 王培晓, 张彤, 聂士超, 杨瑾萱, 王天骄
• Format: Journal Article
• Language: Chinese; English
• Published: Beijing Surveying and Mapping Press 20.05.2023; 武汉大学测绘遥感信息工程国家重点实验室,湖北武汉430079%武汉大学资源与环境科学学院,湖北武汉430079%武汉大学遥感信息工程学院,湖北武汉430079
• Subjects: Algorithms; Artificial neural networks; Big Data; Data mining; Datasets; Deep learning; Interpolation; Machine learning; Missing data; Monitoring; Particulate matter; Prediction models; Spatiotemporal data; 图卷积网络; 时空数据缺失; 时空预测; 因果卷积网络; 地理时空大数据挖掘
• ISSN: 1001-1595; 1001-1595
• DOI: 10.11947/j.AGCS.2023.20220021

时空预测是地理时空大数据挖掘的基础研究命题。目前，多种模型用于预测未知系统的时空状态。然而，存在的大多数预测模型仅在没有缺失数据的时空数据集上进行测试，忽略了缺失值对预测结果的影响。在真实场景中，由于传感器或网络传输故障，数据缺失是一个不容忽视的问题。鉴于此，本文提出了一种顾及缺失值的因果图卷积网络(causal graph convolutional network considering missing values，Causal-GCNM)模型用于时空预测。Causal-GCNM模型可以自动捕捉时空数据中的缺失模式，使得Causal-GCNM模型在不需要借助额外插值算法的前提下，可以直接完成时空预测任务。本文提出的模型在3种真实的时空数据集(交通流数据集、PM2.5监测数据集及气温监测数据集)得到了验证。试验结果表明，Causal-GCNM模型在4种缺失条件(20%随机缺失、20%块状缺失、40%随机缺失及40%块状缺失)下仍然具有较好的预测性能，并在预测精度和计算效率两类指标上优于10种存在的基线方法。