基于图正则化多视角函数型矩阵填充的空气质量数据修复

doi:10.3969/j.issn.1000-6923.2024.10.003

	基于图正则化多视角函数型矩阵填充的空气质量数据修复
其他题名	Air quality data restoration based on graph regularization multi-view functional matrix completion
	高海燕1,2 ; 马文娟1
	2024-10-28
发表期刊	中国环境科学
卷号	44 期号:10 页码:5357-5370
摘要	由于传感器故障、数据传输等原因,收集到的空气质量数据往往面临着稀疏性和不完整性的挑战.提出了一种基于图正则化的多视角函数型矩阵填充方法(GRMFMC),以有效修复和重建空气质量数据的缺失部分.该方法通过引入图正则化策略,充分考虑了各污染物内样本信息的高阶邻域关系,减少了信息损失;并且利用Hilbert-Schmidt独立性准则(HSIC)提取不同污染物之间的互补信息,进而提高插补精度;同时,结合函数型数据分析,将不同时间点的空气质量数据视为连续函数,利用其内在的平滑性和相关性实现高精度的数据插值.真实空气质量数据集上的模拟插补和实证应用结果表明,相较于其他典型插补方法,GRMFMC方法的插补误差RMSE、NRMSE分别降低了 56％～99％、46％～98％以及51％～99％、40％～98％,显示出更好的插补效果,且在不同缺失率和污染物种类下皆表现稳健,具有良好的泛化能力和实际应用价值.
其他摘要	Due to issues such as sensor malfunctions and data transmission,the collected air quality data often encounter challenges of sparsity and incompleteness.In order to effectively repair and reconstruct the missing parts of air quality data,a Graph Regularized Multi-view Functional Matrix Completion method(GRMFMC)is proposed.Firstly,this innovative method introduces a graph regularization approach that thoroughly takes into account the high-order neighborhood relationship within each pollutant's sample set,reducing information loss.Secondly,it utilizes the Hilbert-Schmidt Independence Criterion(HSIC)to discern complementary information among various pollutants,thereby improving imputation accuracy.Additionally,by integrating the principles of functional data analysis,the GRMFMC technique treats temporal air quality data as continuous functions,capitalizing on their inherent smoothness and correlation for high-precision data interpolation.Simulation imputations and empirical applications on real air quality datasets both demonstrate that the GRMFMC exhibits superior interpolation performance.In simulation imputations,the GRMFMC method reduces the imputation error by 56％～99％in RMSE and 46％～98％in NRMSE;in empirical applications,it reduces the error by 51％～99％in RMSE and 40％～98％in NRMSE.Furthermore,the GRMFMC method shows consistent robustness across different missing rate and pollutant categories,confirming its potential for generalization capability and practical value in professional settings.
关键词	函数型数据分析多视角学习图正则化空气质量数据矩阵填充数据修复
DOI	10.3969/j.issn.1000-6923.2024.10.003
URL	查看原文
收录类别	中国科技核心期刊 ; 北大核心 ; EI ; CSCD ; AMI
ISSN	1000-6923
语种	中文
原始文献类型	Periodical
中图分类号	X831
CN号	11-2201/X
文献类型	期刊论文
条目标识符	http://ir.lzufe.edu.cn/handle/39EH0E1M/38416
专题	统计与数据科学学院
作者单位	1.兰州财经大学统计与数据科学学院,甘肃兰州 730020; 2.甘肃省数字经济与社会计算科学重点实验室,甘肃兰州 730020
第一作者单位	统计与数据科学学院
推荐引用方式 GB/T 7714	高海燕,马文娟. 基于图正则化多视角函数型矩阵填充的空气质量数据修复[J]. 中国环境科学,2024,44(10):5357-5370.
APA	高海燕,&马文娟.(2024).基于图正则化多视角函数型矩阵填充的空气质量数据修复.中国环境科学,44(10),5357-5370.
MLA	高海燕,et al."基于图正则化多视角函数型矩阵填充的空气质量数据修复".中国环境科学 44.10(2024):5357-5370.