申请/专利权人：浙江大学

申请日：2021-07-12

公开（公告）日：2024-03-19

公开（公告）号：CN113538239B

主分类号：G06T3/4007

分类号：G06T3/4007;G06F16/29;G06N3/048;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种基于时空自回归神经网络模型的插值方法。本发明利用神经网络架构，将时空距离和时空权重解算任务转化为可量化的神经网络模型构建与训练优化问题。以时空对象的投影坐标和时间为基本输入单元，再分别计算对象间的空间距离差和时间距离差，设计模型将其向量化表达，通过神经网络拟合时空距离和时空权重，输出未知时空点的属性值。本发明的优点在于将神经网络模型引入到时空权重的解算中，利用神经网络充分拟合时空相关关系，实现时空插值，操作简单易行，能够减小插值模型和参数选择的主观因素影响，对于时空权重解算和时空数据插值具有一定应用价值。

主权项：1.一种基于时空自回归神经网络模型的插值方法，用于对时空点观测数据中的缺失属性值进行插值补全，其特征在于，包括如下步骤：S1：对待插值的时空点的原始观测数据进行预处理，去除存在值缺失的时空点样本，保留时空点的空间坐标、时间和属性值均完整的时空点样本；对保留的所有时空点样本通过遍历进行两两配对，计算每一对时空点样本间的空间距离和时间距离，构建形成训练数据集；S2：利用所述训练数据集对预先构建的时空自回归神经网络模型进行训练；所述时空自回归神经网络模型包含输入层、时空距离网络、时空权重网络和输出层；所述输入层的输入为时空点间的空间距离和时间距离，通过所述时空距离网络进行转换，输出时空点间的时空距离，以得到待插值的未知时空点与任一已知时空点之间的时空距离；所述时空权重网络的输入为未知时空点与每个已知时空点之间的时空距离向量，输出为每个已知时空点相对于未知时空点的时空权重向量；所述输出层中将时空权重向量与所有已知时空点的属性值向量相乘，输出未知时空点的属性值预测结果；S3：利用训练后的时空自回归神经网络模型对原始观测数据中待插值的每个缺失属性值进行预测，进而实现原始观测数据中的缺失属性值的插值补全；所述S2的时空自回归神经网络模型中，各网络层的结构如下：所述时空距离网络f表示为： 其中：ui-uj,vi-vj,ti-tj表示时空距离网络f的输入，表示时空距离网络f的输出；所述时空权重网络fST表示为： 其中：为所述输入层传递的时空权重网络fST的输入，表示待插值的未知时空点i与所有n个已知时空点之间的时空距离组成的时空距离向量，wi为时空权重网络fST的输出，表示所有n个已知时空点相对于未知时空点i的时空权重组成的时空权重向量；所述输出层表示为： 其中：y＝y1,y2,…,ynT表示n个已知时空点的属性值向量,表示未知时空点i的属性值预测结果；所述时空自回归神经网络模型中，时空权重网络通过时空权重矩阵来实现多个未知时空点的属性值预测，时空权重矩阵W由时空权重系数分量矩阵ρ和标准时空权重分量矩阵β相乘得到： 其中：*表示哈达马积，ρij表示时空点i和时空点j之间的时空权重系数分量，由时空权重网络预测得到；βij表示时空点i和时空点j之间的标准时空权重分量，定义为： 最终，在输出层中以向量形式输出多个未知时空点的属性值预测结果：

全文数据：

权利要求：

百度查询： 浙江大学 一种基于时空自回归神经网络模型的插值方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD