物理世界に多数のセンサーが導入されており、膨大な地理タグ付き時系列データが生成されている。実際には、センサーや通信エラーなどの予期せぬ要因により、センサーの測定値が途切れたり欠落したりする場合が多々ある。このような欠落した測定値は、リアルタイム監視に影響を及ぼすだけでなく、その後のデータ解析性能にも悪影響を及ぼす。本論文では、地理的センサ時系列データ群における欠落測定値を統合的に補完するため、空間時系列マルチビュー学習（Spatio-Temporal Multi-View Learning: ST-MVL）手法を提案する。本手法は、1) 同一時系列における異なる時刻間の測定値の時間的相関性、および 2) 異なる時系列間の空間的相関性の両方を考慮している。提案手法は、逆距離加重法（Inverse Distance Weighting）および単純指数平滑法（Simple Exponential Smoothing）から構成される経験的統計モデルと、ユーザーベースおよびアイテムベースの協調フィルタリングからなるデータ駆動型アルゴリズムを統合する。前者の経験的モデルは、長期間にわたる歴史データに基づく経験的仮定を用いて一般的な欠落状況を処理し、それぞれ空間的および時間的視点からの「グローバルビュー」を表現する。後者のデータ駆動型アルゴリズムは、経験的仮定が成り立たない特殊な状況に対して、最近のデータ文脈に基づいて対応し、空間的および時間的視点からの「ローカルビュー」を表す。これらの四つの視点からの予測値をマルチビュー学習アルゴリズムによって統合し、最終的な補完値を算出する。本手法は、北京の空気質および気象データを用いて評価された結果、10種類のベースライン手法と比較して優れた性能を示した。