ST-MVL: تعبئة القيم المفقودة في بيانات السلاسل الزمنية الجغرافية الحسية

تم نشر العديد من المستشعرات في العالم المادي، مما أدى إلى توليد كميات هائلة من البيانات الزمنية المُرتبطة بمواقع جغرافية. في الواقع، غالبًا ما تُفقد قراءات المستشعرات في لحظات غير متوقعة بسبب أخطاء في المستشعرات أو في الاتصال. وتشكل هذه القراءات المفقودة تهديدًا ليس فقط للرصد في الوقت الفعلي، بل أيضًا لجودة التحليلات اللاحقة للبيانات. في هذا البحث، نقترح طريقة تُسمى التعلم القائم على الرؤى المتعددة الزمكانية (ST-MVL) لتعبئة القراءات المفقودة بشكل جماعي ضمن مجموعة من البيانات الزمنية الجغرافية المستشعرية، مع أخذ بعين الاعتبار: 1) الارتباط الزمني بين القراءات في نقاط زمنية مختلفة ضمن نفس السلسلة الزمنية، و2) الارتباط المكاني بين السلاسل الزمنية المختلفة. تعتمد طريقة التحديد لدينا على دمج نماذج إحصائية تجريبية، تشمل تقنيتي "الوزن العكسي للمسافة" (Inverse Distance Weighting) و"التنعيم الأسي البسيط" (Simple Exponential Smoothing)، مع خوارزميات تعتمد على البيانات، تشمل "التصفية التعاونية القائمة على المستخدم" (User-based Collaborative Filtering) و"التصفية التعاونية القائمة على العنصر" (Item-based Collaborative Filtering). تتعامل النماذج الأولى مع الحالات العامة المفقودة بناءً على افتراضات تجريبية مستمدة من بيانات تاريخية ممتدة على مدى طويل، وتمثل رؤيتين عالميتين من منظورين مكاني وزماني على التوالي. أما الخوارزميات الثانية، فهي تتعامل مع الحالات الخاصة التي قد لا تنطبق فيها الافتراضات التجريبية، وذلك بناءً على السياقات الحديثة للبيانات، وتمثّل رؤيتين محليتين من منظورين مكاني وزماني على التوالي. تُجمَع توقعات الرؤى الأربعة في قيمة نهائية من خلال خوارزمية تعلم متعددة الرؤى. وقد قُمنا بتقييم طريقة العمل باستخدام بيانات جودة الهواء والمناخ في بكين، ووجدنا أن نموذجنا يتفوق على عشرة نماذج أساسية (baseline approaches).