条件扩散模型用于填补时空数据中的缺失值

时空系统中的缺失数据在现代应用中 presents a significant 挑战，涵盖从环境监测到城市交通管理。在实际部署中，由于硬件故障和软件故障，时空数据的完整性往往恶化。当前基于机器学习和深度学习的方法难以有效建模空间与时间维度之间的复杂相互依赖，而且更重要的是，在数据填补过程中会累积误差，这些误差通过迭代传播并放大。为解决这些限制，我们提出了 CoFILL，一种用于时空数据填补的条件扩散模型。CoFILL 利用扩散模型的内在优势，在不依赖可能出错的先验估计的情况下生成高质量的填补值。它包含一种创新的双流体系结构，平行处理时间域和频域特征。通过融合这些互补特征，CoFILL 捕捉数据中快速波动和底层模式，从而实现更稳健的填补。 extensive 实验结果表明，CoFILL 的噪声预测网络成功地将随机噪声转化为符合真实数据分布的有意义值。结果还显示，CoFILL 在填补准确性上优于最先进的方法。源代码已公开 available at https://github.com/joyHJL/CoFILL。