时间序列数据补全任务——ST-MVL

ST-MVL: Filling Missing Values in Geo-sensory Time Series Data阅读笔记

---

摘要

许多传感器已在物理世界中部署，生成了大量的地理标签时间序列数据。 实际上，由于传感器或通信错误，传感器的读数通常会在各种意外时刻丢失。 那些缺少读数不仅会影响实时监控，而且会影响进一步数据分析的性能。
因此，本文提出一个基于多视图的空间-时间学习方法ST-MVL，其在填补数据下考虑到了：
（1）同一序列中不同时间戳的读数之间的相关性；
（2）不同时间序列之间的空间相关性。
在北京空气质量和气象数据集上做实验验证。`

一、方法

填补地理传感器时间序列读数存在着两个挑战：
（1）数据可能会出现传感器数据在某一时间段产生连续缺失，如下图A），t_2全部缺失。文中称这种缺失情况为块缺失。现有模型不能处理某一行或某一列的数据完全缺失；

（2）在数据的填补过程中，有时候距离近的不一定比距离远的更相似。如图B），S_1与S_3相比和S_2的距离更近，而S_3的传感器读数更接近S_2读数。这不满足地理第一定律：Everything is rel