基于变分图自编码器的矩阵补全：在超本地空气质量推断中的应用
机器学习
2018-11-06 v1 人工智能
机器学习
摘要
从有限数量的观测中推断空气质量是监测和控制空气污染的一项基本任务。现有的推断方法通常使用由固定监测站收集的低空间分辨率数据，并利用额外类型的数据（例如气象和交通信息）来推断空气污染物的浓度。在这项工作中，我们专注于利用移动站点收集的数据进行街道级空气质量推断。我们将此设置下的空气质量推断表述为一个基于图的矩阵补全问题，并提出了一种基于图卷积自编码器的新型变分模型。我们的模型有效捕获了测量的时空相关性，并且除街道网络拓扑外不依赖于额外信息的可用性。在由移动站点收集的真实空气质量数据集上的实验表明，所提出的模型优于最先进的方法。
引用
@article{arxiv.1811.01662,
title = {Matrix Completion With Variational Graph Autoencoders: Application in Hyperlocal Air Quality Inference},
author = {Tien Huu Do and Duc Minh Nguyen and Evaggelia Tsiligianni and Angel Lopez Aguirre and Valerio Panzica La Manna and Frank Pasveer and Wilfried Philips and Nikos Deligiannis},
journal= {arXiv preprint arXiv:1811.01662},
year = {2018}
}