摘要
在现实世界中，已部署了大量传感器，持续生成海量的地理标记时间序列数据。然而，由于传感器故障或通信异常，传感器读数常常在不同时间点出现丢失。这些缺失的读数不仅影响实时监测的准确性，还会严重削弱后续数据分析的性能。本文提出一种基于时空多视角学习（Spatio-Temporal Multi-View Learning, ST-MVL）的方法，用于协同填补地理传感时间序列数据集合中的缺失值。该方法同时考虑了两个关键因素：1）同一时间序列中不同时间戳读数之间的时序相关性；2）不同时间序列之间的空间相关性。本方法融合了基于经验统计的模型与数据驱动的算法。其中，经验统计模型包括反距离加权法（Inverse Distance Weighting）和简单指数平滑法（Simple Exponential Smoothing），分别基于长期历史数据的经验假设，从时空两个全局视角建模，捕捉整体趋势。而数据驱动的算法则包括基于用户的协同过滤（User-based Collaborative Filtering）和基于项目的协同过滤（Item-based Collaborative Filtering），能够针对经验假设不成立的特殊情形，依据数据的近期上下文信息，从时空两个局部视角进行建模。最终，四种视角（两个全局、两个局部）的预测结果通过多视角学习机制进行融合，生成最终的填补值。我们在北京市空气质量与气象数据集上对所提方法进行了评估，结果表明，相较于十种基准方法，本模型在填补精度和鲁棒性方面均展现出显著优势。