科研之友
微信
新浪微博
Facebook
分享链接
摘要
近年来，日益严重的空气污染正成为影响人们身体健康的危险因素之一。空气质量指数数据可以为政府提供大气环境变化的规律，也可以用于对大气污染的控制和管理。但该数据在采集的过程中不可避免地存在缺失，导致了对其进行数据挖掘的难度升高。为了更加充分地利用已经搜集到的数据，对缺失数据进行补全是非常必要的。然而，现有的补全方法往往在高缺失率情况下表现不佳。基于此提出将缺失矩阵补全问题转换为稀疏矩阵重构问题，并设计了一种基于多维稀疏表示的数据补全方法。该方法首先利用训练数据模拟各种随机缺失情况并用于过完备字典的学习，然后利用学习后字典的上半部分获得具有缺失值的矩阵的稀疏表示，最后将该稀疏表示与字典的下半部分相结合得到重构后的估计矩阵。实验结果表明，所提方法在多维时序空气质量指数数据补全问题上优于传统的矩阵补全方法，尤其是在数据缺失比较严重的情况下具有明显的优势。
- 出版日期2023
- 单位福州大学
