RDPI：一种用于时空数据插值的精炼扩散概率生成方法

时空数据插值在交通流监测、空气质量评估和气候预测等多个领域发挥着至关重要的作用。然而，传感器采集的时空数据常存在时间上的不完整性，且传感器的稀疏和不均匀分布导致数据在空间维度上缺失。在现有方法中，自回归方法容易产生误差累积，而简单的条件扩散模型无法充分捕捉观测数据与缺失数据之间的时空关系。为了解决这些问题，我们提出了一种基于初始网络和条件扩散模型的全新两阶段精炼扩散概率插值框架。在初始阶段，使用确定性插值方法生成缺失数据的初步估计。在精炼阶段，将残差作为扩散目标，并创新性地将观测值纳入前向过程。这产生了一个更适合时空数据插值的条件扩散模型，弥合了初步估计与真实值之间的差距。在多个数据集上的实验表明，RDPI 不仅实现了 SOTA 的插值精度，还显著降低了采样计算成本。