用于风暴潮模拟中时空缺失数据的卷积生成对抗插补网络
机器学习
2021-11-30 v2 人工智能
计算工程、金融与科学
摘要
缺失数据插补是一项在许多工程和科学应用中发挥关键作用的任务。这类缺失数据通常源于传感器限制或后处理转换误差导致的实验观测，有时也源于计算机模拟中的数值和算法约束。本文的一个实例和应用重点是风暴潮的数值模拟。模拟数据对应于感兴趣地理区域内多个保存点的时间序列潮汐预测，形成了一个时空插补问题，其中潮汐点在空间和时间上高度相关，缺失值区域呈结构性随机分布。最近，机器学习技术如神经网络方法已被开发并用于缺失数据插补任务。生成对抗网络（GAN）和基于GAN的技术作为无监督机器学习方法尤其受到关注。在本研究中，通过应用卷积神经网络代替全连接层，以更好地捕捉数据的相关性并促进从相邻潮汐点学习，从而改进了生成对抗插补网络（GAIN）的性能。针对所研究数据所需的另一项调整是将点的坐标作为附加特征，通过卷积层为模型提供更多信息。我们将提出的方法命名为卷积生成对抗插补网络（Conv-GAIN）。通过考虑风暴潮数据所需的改进和适配，评估了所提出方法的性能，并与原始GAIN及其他几种技术进行了比较。结果表明，Conv-GAIN在所研究数据上的性能优于其他方法。
引用
@article{arxiv.2111.02823,
title = {Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations},
author = {Ehsan Adeli and Jize Zhang and Alexandros A. Taflanidis},
journal= {arXiv preprint arXiv:2111.02823},
year = {2021}
}