一种用于插值水质数据的非线性低秩表示模型
机器学习
2025-09-11 v2 人工智能
摘要
水质数据 (WQD) 的完整性对于环境监测至关重要，旨为科学决策和生态保护。然而，水质监测系统常因传感器故障和通信延迟等不可避免问题导致大量缺失数据，进而使水质数据呈现高维稀疏 (HDS) 特征。传统的数据插值方法难以描绘数据潜在的动态特性，无法捕捉深层数据特征，导致插值效果不佳。为有效解决上述问题，本文提出了一种用于插值缺失 WQD 的非线性低秩表示模型 (NLR)，其结合了卷积神经网络 (CNN)。该模型利用 CNN 实现两个想法：a) 融合时间特征以建模时间槽之间的数据时间依赖性，b) 提取非线性相互作用和局部模式，以挖掘更高阶关系特征并实现多维信息的深度融合。在三个真实水质数据集上的实验研究表明，所提出的模型在估计准确性方面显著优于现有的各种最先进的数据插值模型。它为处理复杂动态环境中的水质监测数据提供了有效方法。
引用
@article{arxiv.2506.23629,
title = {A Nonlinear Low-rank Representation Model with Convolutional Neural Network for Imputing Water Quality Data},
author = {Xin Liao and Bing Yang and Cai Yu},
journal= {arXiv preprint arXiv:2506.23629},
year = {2025}
}
备注
7 pages, 2 figures, conference