CN113821760A - 一种空气数据补全方法、装置、设备及存储介质 - Google Patents
一种空气数据补全方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113821760A CN113821760A CN202111390527.6A CN202111390527A CN113821760A CN 113821760 A CN113821760 A CN 113821760A CN 202111390527 A CN202111390527 A CN 202111390527A CN 113821760 A CN113821760 A CN 113821760A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- day
- formula
- cell state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种空气数据补全方法、装置、设备及存储介质,所述方法包括如下步骤:采集原始时序数据,所述原始时序数据包括未缺失时刻点数据和缺失时刻点数据;对所述原始时序数据进行预处理;构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;对所述生成对抗网络进行训练,得到空气数据补全模型;通过所述空气数据补全模型对原始时序数据进行补全。本发明通过采用改进的ILSTM单元和生成对抗网络,能够有效的捕捉时序数据的时序因子,而生成对抗网络则能够精确补全缺失数据。通过此方法能够实现空气质量数据的高精度补全,以满足公众对于及时、准确的空气质量浓度监测数据的需求。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种空气数据补全方法、装置、设备及存储介质。
背景技术
在常规的空气质量监测过程中,监测站点位置的监测仪器进行监测仪器校零、校标等日常维护行为,或出现仪器故障、通信故障、停电等情况时,可能导致一些点位出现监测数据缺失现象,此时会导致实时发布的数据中,一些站点有数据缺失现象,而空气质量监测数据的缺失会影响公众对所需区域内的空气质量数据的获取,以及用这些数据做一些后续处理操作。目前,国内关于空气质量数据补全的研究不是很多。公开号为CN103514366A的专利公开了一种城市空气质量浓度监测缺失数据的修复方法,采用人工神经网络来构造空气质量数据的预测模型,并利用其他站点的偏差信息预测出故障站点的空气质量数据,但是这种方法对于缺失数据的补全仍然不够精确。
发明内容
因此,本发明要解决的技术问题在于克服现有技术中的上述缺陷,从而提供一种空气数据补全方法、装置、设备及存储介质。
本发明提供了一种空气数据补全方法,包括如下步骤:
S1:采集原始时序数据x raw,所述原始时序数据x raw包括未缺失时刻点数据和缺失时刻点数据;
S2:对所述原始时序数据x raw进行预处理;
S3:构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;
S4:对所述生成对抗网络进行训练,得到空气数据补全模型;
S5:通过所述空气数据补全模型对原始时序数据x raw进行补全,得到补全后的空气数据。
进一步地,步骤S2具体包括如下步骤:
S21:计算原始时序数据x raw中未缺失时刻点数据的均值与标准差;
S22:用未缺失时刻点数据与所述均值的差值除以所述标准差,得到标准化时序数据;
S23:获取采集每个原始时序数据x raw的时刻点,得到时间标签向量t,对应每个时刻点判断数据是否存在,存在标记为1,缺失标记为0,以此构建掩模矩阵m,根据时间标签向量t和掩模矩阵m,计算数据缺失的时间间隔,以此构建间隔矩阵δ;
S24:对原始时序数据x raw中的缺失时刻点的数据进行补0处理,与标准化时序数据构成空位补零时序数据x。
进一步地,步骤S4具体包括如下步骤:
S42:将空位补零时序数据x与重构时序数据输入判别器,判别器对输入进行处
理,得到最终历史记忆向量,并将最终历史记忆向量映射成一维输出,使用sigmoid函数将
一维输出压缩到0-1之间,输出概率值;
S44:将训练好的生成对抗网络作为空气数据补全模型。
进一步地,步骤S41具体包括:
S411:将t1时刻的空位补零时序数据x 1和间隔矩阵δ 1输入编码器,通过下列公式得到t1时刻的单元状态c 1和输出h 1:
,此公式为输入门,决定t1时刻的输入x 1有多少保存到t1时刻的单元状态c 1;其中h 0为t0时刻的隐藏状态;s为sigmoid函数,用于将输入映射为0到1之间的值;W xi 、W hi 、W ci 为对应的权重参数,b i 为对应的偏置项;
S412:将t2时刻的空位补零时序数据x 2和间隔矩阵δ 2,以及t1时刻的单元状态c 1和输出h 1代入S411中的公式进行迭代运算,得到t2时刻的单元状态c 2和输出h 2;以此类推,直到得到最终时刻的输出h t,h t即为低维特征表达向量z;
进一步地,步骤S42具体包括如下步骤:
S421:将t1时刻的空位补零时序数据x 1输入判别器,通过下列公式得到t1时刻的单元状态c 1和输出h 1:
,此公式为输入门,决定t1时刻的输入x 1有多少保存到t1时刻的单元状态c 1;其中h 0为t0时刻的隐藏状态;s为sigmoid函数,用于将输入映射为0到1之间的值;W xi 、W hi 、W ci 为对应的权重参数,b i 为对应的偏置项;
S422:将t2时刻的空位补零时序数据x 2,以及t1时刻的单元状态c 1和输出h 1代入S421中的公式进行迭代运算,得到t2时刻的单元状态c 2和输出h 2;以此类推,直到得到最终时刻的输出h t,h t即为最终历史记忆向量;
S423:将最终历史记忆向量通过下列公式得到概率值:
进一步地,步骤S43具体包括如下步骤:
S433:构建生成器损失函数,λ为生成器损失函数的系数,
通过生成器损失函数和梯度下降算法更新S411和S413中的权重参数,更新会在达到最大迭
代次数时终止或者空位补零时序数据x与重构时序数据之间的误差平方和缩小到预设值
时停止。
进一步地,步骤S5具体包括:将空位补零时序数据x、重构时序数据和掩模矩阵m
输入生成器,得到填补后的时序数据x imputed ,,将填补后的时
序数据x imputed 进行逆标准化得到补全后的空气数据。
本发明还提供了一种空气数据补全装置,包括:
数据采集模块,用于采集原始时序数据,所述原始时序数据包括未缺失时刻点数据和缺失时刻点数据;
数据处理模块,用于对所述原始时序数据进行预处理;
网络构建模块,用于构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;
网络训练模块,用于对所述生成对抗网络进行训练,得到空气数据补全模型;
数据补全模块,用于通过所述空气数据补全模型对原始时序数据进行补全,得到补全后的空气数据。
本发明还提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的方法。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
本发明提供的一种空气数据补全方法、装置、设备及存储介质,对生成器和判别器采用的LSTM单元进行改进,在LSTM单元中引入衰减参数,形成改进后的ILSTM单元,该ILSTM单元针对某一维度长时间缺失的数据,按照其缺失时间长短来衰减该维度的单元状态,缺失时间越长,单元状态衰减的越厉害,反之亦然,因此使得ILSTM单元能够有效的捕捉时序数据的时序因子,训练完成的生成对抗网络能够根据输入即有缺失的空气质量数据获得对应的输出即补全后的空气质量数据。通过此方法能够实现空气质量数据的高精度补全,以满足公众对于及时、准确的空气质量浓度监测数据的需求,以及满足研究者们对这些数据进行后续处理。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种空气数据补全方法的流程示意图;
图2为本发明提供的一种空气数据补全装置的结构示意图;
图3为本发明提供的一种终端设备的结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
实施例1
如图1所示,本实施例提供了一种空气数据补全方法,包括如下步骤:
S2:对所述原始时序数据x raw进行预处理;
S3:构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;
S4:对所述生成对抗网络进行训练,得到空气数据补全模型;
S5:通过所述空气数据补全模型对原始时序数据x raw进行补全,得到补全后的空气数据。
步骤S2具体包括如下步骤:
S21:计算原始时序数据x raw中未缺失时刻点数据的均值与标准差;
S22:用未缺失时刻点数据与所述均值的差值除以所述标准差,得到标准化时序数据;
S24:对原始时序数据x raw中的缺失时刻点的数据进行补0处理,与标准化时序数据构成空位补零时序数据x。
步骤S4具体包括如下步骤:
S42:将空位补零时序数据x与重构时序数据输入判别器,判别器对输入进行处
理,得到最终历史记忆向量,并将最终历史记忆向量映射成一维输出,使用sigmoid函数将
一维输出压缩到0-1之间,输出概率值;
S44:将训练好的生成对抗网络作为空气数据补全模型。
步骤S41具体包括:
S411:将t1时刻的空位补零时序数据x 1和间隔矩阵δ 1输入编码器,通过下列公式得到t1时刻的单元状态c 1和输出h 1:
,此公式为输入门,决定t1时刻的输入x 1有多少保存到t1时刻的单元状态c 1;其中h 0为t0时刻的隐藏状态;s为sigmoid函数,用于将输入映射为0到1之间的值;W xi 、W hi 、W ci 为对应的权重参数,b i 为对应的偏置项;
S412:将t2时刻的空位补零时序数据x 2和间隔矩阵δ 2,以及t1时刻的单元状态c 1和输出h 1代入S411中的公式进行迭代运算,得到t2时刻的单元状态c 2和输出h 2;以此类推,直到得到最终时刻的输出h t,h t即为低维特征表达向量z;
步骤S42具体包括如下步骤:
S421:将t1时刻的空位补零时序数据x 1输入判别器,通过下列公式得到t1时刻的单元状态c 1和输出h 1:
,此公式为输入门,决定t1时刻的输入x 1有多少保存到t1时刻的单元状态c 1;其中h 0为t0时刻的隐藏状态;s为sigmoid函数,用于将输入映射为0到1之间的值;W xi 、W hi 、W ci 为对应的权重参数,b i 为对应的偏置项;
S422:将t2时刻的空位补零时序数据x 2,以及t1时刻的单元状态c 1和输出h 1代入S421中的公式进行迭代运算,得到t2时刻的单元状态c 2和输出h 2;以此类推,直到得到最终时刻的输出h t,h t即为最终历史记忆向量;
S423:将最终历史记忆向量通过下列公式得到概率值:
步骤S43具体包括如下步骤:
S432:构建判别器损失函数,通过判别器损失函数和梯度下降算法更新S421和S423中的权重参数;如更新权重参数W 3:通过得到权重参数W 3的梯度,再通过得到更新后的权重参数,其中表示梯度裁剪;其他权重参数更新方法相同;
S433:构建生成器损失函数,λ为生成器损失函数的系数,
通过生成器损失函数和梯度下降算法更新S411和S413中的权重参数;如更新权重参数:
通过得到权重参数的梯度,再通过得到更新后的权
重参数,其中表示梯度裁剪;其他权重参数更新方法相同;更新会在达到最大迭代次数时
终止或者空位补零时序数据x与重构时序数据之间的误差平方和缩小到预设值时停止。
在本实施例中,对生成器和判别器采用的LSTM单元进行改进,在LSTM单元中引入衰减参数,形成改进后的ILSTM单元,该ILSTM单元针对某一维度长时间缺失的数据,按照其缺失时间长短来衰减该维度的单元状态,缺失时间越长,单元状态衰减的越厉害,反之亦然,衰减参数可以针对数据的缺失时间间隔来决定上一次采集数据对缺失的数据的影响,由此可以契合空气质量数据的特点,即在两次空气质量采集之间的时间间隔越大,则上一次采集数据对当前采集数据的影响越小,从而便于后续对空气数据进行精确补全。
本实施例提供的一种空气数据补全方法,改进后的ILSTM单元能够有效的捕捉时序数据的时序因子,训练完成的生成对抗网络能够根据输入即有缺失的空气质量数据获得对应的输出即补全后的空气质量数据。通过此方法能够实现空气质量数据的高精度补全,以满足公众对于及时、准确的空气质量浓度监测数据的需求,以及满足研究者们对这些数据进行后续处理。
实施例2
如图2所示,本实施例提供了一种空气数据补全装置,包括:
数据采集模块,用于采集原始时序数据,所述原始时序数据包括未缺失时刻点数据和缺失时刻点数据;
数据处理模块,用于对所述原始时序数据进行预处理;
网络构建模块,用于构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;
网络训练模块,用于对所述生成对抗网络进行训练,得到空气数据补全模型;
数据补全模块,用于通过所述空气数据补全模型对原始时序数据进行补全,得到补全后的空气数据。
应理解的是,该装置与实施例1中的空气数据补全方法对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
实施例3
如图3所示,本实施例提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现实施例1中的空气数据补全方法。
本实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现实施例1中的空气数据补全方法。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Red-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这主要根据所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以使用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (8)
1.一种空气数据补全方法,其特征在于,包括如下步骤:
S1:采集原始时序数据x raw,所述原始时序数据x raw包括未缺失时刻点数据和缺失时刻点数据;
S2:对所述原始时序数据x raw进行预处理;
S3:构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;
S4:对所述生成对抗网络进行训练,得到空气数据补全模型;
S5:通过所述空气数据补全模型对原始时序数据x raw进行补全,得到补全后的空气数据;
步骤S2具体包括如下步骤:
S21:计算原始时序数据x raw中未缺失时刻点数据的均值与标准差;
S22:用未缺失时刻点数据与所述均值的差值除以所述标准差,得到标准化时序数据;
S23:获取采集每个原始时序数据x raw的时刻点,得到时间标签向量t,对应每个时刻点判断数据是否存在,存在标记为1,缺失标记为0,以此构建掩模矩阵m,根据时间标签向量t和掩模矩阵m,计算数据缺失的时间间隔,以此构建间隔矩阵δ;
S24:对原始时序数据x raw中的缺失时刻点的数据进行补0处理,与标准化时序数据构成空位补零时序数据x;
步骤S4具体包括如下步骤:
S44:将训练好的生成对抗网络作为空气数据补全模型。
2.根据权利要求1所述的一种空气数据补全方法,其特征在于,步骤S41具体包括:
S411:将t1时刻的空位补零时序数据x 1和间隔矩阵δ 1输入编码器,通过下列公式得到t1时刻的单元状态c 1和输出h 1:
,此公式为输入门,决定t1时刻的输入x 1有多少保存到t1时刻的单元状态c 1;其中h 0为t0时刻的隐藏状态;s为sigmoid函数,用于将输入映射为0到1之间的值;W xi 、W hi 、W ci 为对应的权重参数,b i 为对应的偏置项;
S412:将t2时刻的空位补零时序数据x 2和间隔矩阵δ 2,以及t1时刻的单元状态c 1和输出h 1代入S411中的公式进行迭代运算,得到t2时刻的单元状态c 2和输出h 2;以此类推,直到得到最终时刻的输出h t,h t即为低维特征表达向量z;
3.根据权利要求2所述的一种空气数据补全方法,其特征在于,步骤S42具体包括如下步骤:
S421:将t1时刻的空位补零时序数据x 1输入判别器,通过下列公式得到t1时刻的单元状态c 1和输出h 1:
,此公式为输入门,决定t1时刻的输入x 1有多少保存到t1时刻的单元状态c 1;其中h 0为t0时刻的隐藏状态;s为sigmoid函数,用于将输入映射为0到1之间的值;W xi 、W hi 、W ci 为对应的权重参数,b i 为对应的偏置项;
S422:将t2时刻的空位补零时序数据x 2,以及t1时刻的单元状态c 1和输出h 1代入S421中的公式进行迭代运算,得到t2时刻的单元状态c 2和输出h 2;以此类推,直到得到最终时刻的输出h t,h t即为最终历史记忆向量;
S423:将最终历史记忆向量通过下列公式得到概率值:
6.一种空气数据补全装置,该空气数据补全装置实现如权利要求1至5任一项所述的方法,其特征在于,包括:
数据采集模块,用于采集原始时序数据,所述原始时序数据包括未缺失时刻点数据和缺失时刻点数据;
数据处理模块,用于对所述原始时序数据进行预处理;
网络构建模块,用于构建生成对抗网络,所述生成对抗网络包括生成器和判别器,所述生成器包括编码器和解码器;
网络训练模块,用于对所述生成对抗网络进行训练,得到空气数据补全模型;
数据补全模块,用于通过所述空气数据补全模型对原始时序数据进行补全,得到补全后的空气数据。
7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111390527.6A CN113821760A (zh) | 2021-11-23 | 2021-11-23 | 一种空气数据补全方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111390527.6A CN113821760A (zh) | 2021-11-23 | 2021-11-23 | 一种空气数据补全方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113821760A true CN113821760A (zh) | 2021-12-21 |
Family
ID=78919660
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111390527.6A Pending CN113821760A (zh) | 2021-11-23 | 2021-11-23 | 一种空气数据补全方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113821760A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530239A (zh) * | 2022-01-07 | 2022-05-24 | 北京交通大学 | 一种基于软硬件协作的节能型移动健康医疗监护系统 |
CN115543991A (zh) * | 2022-12-02 | 2022-12-30 | 湖南工商大学 | 基于特征抽样的数据修复方法、装置及相关设备 |
CN115840881A (zh) * | 2023-02-15 | 2023-03-24 | 湖南红普创新科技发展有限公司 | 空气数据处理方法、装置及相关设备 |
CN115883016A (zh) * | 2022-10-28 | 2023-03-31 | 南京航空航天大学 | 基于联邦生成对抗网络的流量数据增强方法与装置 |
CN115984146A (zh) * | 2023-03-16 | 2023-04-18 | 中国海洋大学 | 基于全局一致性的海洋叶绿素浓度图像的补全方法及网络 |
CN116451853A (zh) * | 2023-04-06 | 2023-07-18 | 湖南工商大学 | 一种大气质量监测方法、系统、电子设备及存储介质 |
CN117009750A (zh) * | 2023-09-28 | 2023-11-07 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581189A (zh) * | 2020-03-27 | 2020-08-25 | 浙江大学 | 一种空气质量检测数据缺失的补全方法及补全装置 |
CN112330951A (zh) * | 2020-09-11 | 2021-02-05 | 浙江工业大学 | 一种基于生成对抗网络实现路网交通数据修复的方法 |
CN113094357A (zh) * | 2021-04-23 | 2021-07-09 | 大连理工大学 | 一种基于时空注意力机制的交通缺失数据补全方法 |
-
2021
- 2021-11-23 CN CN202111390527.6A patent/CN113821760A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111581189A (zh) * | 2020-03-27 | 2020-08-25 | 浙江大学 | 一种空气质量检测数据缺失的补全方法及补全装置 |
CN112330951A (zh) * | 2020-09-11 | 2021-02-05 | 浙江工业大学 | 一种基于生成对抗网络实现路网交通数据修复的方法 |
CN113094357A (zh) * | 2021-04-23 | 2021-07-09 | 大连理工大学 | 一种基于时空注意力机制的交通缺失数据补全方法 |
Non-Patent Citations (2)
Title |
---|
孙晓丽等: "基于改进RNN 的多变量时间序列缺失数据填充算法", 《信息技术与网络安全》 * |
牛猛: "基于时序数据的飞机油量计算方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑(月刊)》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114530239A (zh) * | 2022-01-07 | 2022-05-24 | 北京交通大学 | 一种基于软硬件协作的节能型移动健康医疗监护系统 |
CN114530239B (zh) * | 2022-01-07 | 2022-11-08 | 北京交通大学 | 一种基于软硬件协作的节能型移动健康医疗监护系统 |
CN115883016A (zh) * | 2022-10-28 | 2023-03-31 | 南京航空航天大学 | 基于联邦生成对抗网络的流量数据增强方法与装置 |
CN115883016B (zh) * | 2022-10-28 | 2024-02-02 | 南京航空航天大学 | 基于联邦生成对抗网络的流量数据增强方法与装置 |
CN115543991A (zh) * | 2022-12-02 | 2022-12-30 | 湖南工商大学 | 基于特征抽样的数据修复方法、装置及相关设备 |
CN115543991B (zh) * | 2022-12-02 | 2023-03-10 | 湖南工商大学 | 基于特征抽样的数据修复方法、装置及相关设备 |
CN115840881A (zh) * | 2023-02-15 | 2023-03-24 | 湖南红普创新科技发展有限公司 | 空气数据处理方法、装置及相关设备 |
CN115984146A (zh) * | 2023-03-16 | 2023-04-18 | 中国海洋大学 | 基于全局一致性的海洋叶绿素浓度图像的补全方法及网络 |
CN116451853A (zh) * | 2023-04-06 | 2023-07-18 | 湖南工商大学 | 一种大气质量监测方法、系统、电子设备及存储介质 |
CN116451853B (zh) * | 2023-04-06 | 2023-12-15 | 湖南工商大学 | 一种大气质量监测方法、系统、电子设备及存储介质 |
CN117009750A (zh) * | 2023-09-28 | 2023-11-07 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
CN117009750B (zh) * | 2023-09-28 | 2024-01-02 | 北京宝隆泓瑞科技有限公司 | 一种用于机器学习的甲烷浓度数据补全方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113821760A (zh) | 一种空气数据补全方法、装置、设备及存储介质 | |
CN109492830B (zh) | 一种基于时空深度学习的移动污染源排放浓度预测方法 | |
US10831577B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
KR101098037B1 (ko) | 자동 가상 계측 시스템 및 방법 | |
CN112838946A (zh) | 基于通信网故障智能感知与预警模型的构建方法 | |
CN110570012A (zh) | 一种基于Storm的电厂生产设备故障预警方法及系统 | |
CN110580488A (zh) | 基于字典学习的多工况工业监测方法、装置、设备及介质 | |
CN117076931B (zh) | 一种基于条件扩散模型的时间序列数据预测方法和系统 | |
CN114091615A (zh) | 一种基于生成对抗网络的电能计量数据补全方法和系统 | |
CN111274532B (zh) | 一种基于ceemd-lzc和流形学习的短期风电功率预测方法和装置 | |
CN112560997A (zh) | 故障识别模型训练方法、故障识别方法及相关装置 | |
CN113642812B (zh) | 基于北斗的微形变预测方法、装置、设备及可读存储介质 | |
KR20140111822A (ko) | 비정상성 분위 사상을 적용한 전지구 기후모델의 오차보정방법 | |
CN113537591A (zh) | 长期天气预测方法、装置、计算机设备及存储介质 | |
CN116306777A (zh) | 模型精度损失定位方法、装置和电子设备 | |
CN111275059A (zh) | 一种图像处理方法、装置和计算机可读存储介质 | |
CN115840881A (zh) | 空气数据处理方法、装置及相关设备 | |
CN116663388A (zh) | 粮堆温度预测方法、装置、设备及存储介质 | |
CN113344129A (zh) | 时间序列的预测方法、装置、设备及存储介质 | |
CN113282710B (zh) | 文本关系抽取模型的训练方法、装置以及计算机设备 | |
CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 | |
CN115456073B (zh) | 基于长短期记忆的生成式对抗网络模型建模分析方法 | |
Bui et al. | Package ‘spc4sts’ | |
EP4227891A1 (en) | Method, apparatus and system for determining model parameters of unscented kalman filter | |
CN116703161B (zh) | 一种人机共融风险的预测方法、装置、终端设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211221 |
|
RJ01 | Rejection of invention patent application after publication |