실제 세계에는 수많은 센서가 배치되어 있으며, 이는 막대한 지리 태그가 부여된 시계열 데이터를 생성하고 있다. 그러나 현실적으로 센서 오류나 통신 장애 등의 예기치 않은 상황으로 인해 센서의 측정값이 빠지거나 손실되는 경우가 흔하다. 이러한 누락된 측정값은 실시간 모니터링에 영향을 주는 것뿐만 아니라, 후속 데이터 분석의 성능을 저하시키는 원인이 된다. 본 논문에서는 지오센서 시계열 데이터 집합에서 누락된 측정값을 종합적으로 보정하기 위한 공간-시간 다중 시각 기반 학습(ST-MVL, Spatio-Temporal Multi-View Learning) 방법을 제안한다. 이 방법은 1) 동일한 시계열 내에서 다양한 타임스탬프 간의 시간적 상관관계와 2) 서로 다른 시계열 간의 공간적 상관관계를 고려한다. 제안하는 방법은 경험적 통계 모델(역거리 가중 평균, 단순 지수평활법)과 데이터 주도형 알고리즘(사용자 기반 및 아이템 기반 협업 필터링)을 결합한다. 전자 모델들은 장기간의 역사 데이터를 기반으로 한 경험적 가정을 바탕으로 일반적인 누락 상황을 처리하며, 각각 공간적 및 시간적 관점에서의 두 가지 전역적 시각을 나타낸다. 후자 알고리즘들은 경험적 가정이 성립하지 않을 수 있는 특수한 상황을 최근 데이터의 맥락에 기반해 처리하며, 공간적 및 시간적 관점에서의 두 가지 국지적 시각을 반영한다. 이 네 가지 시각의 예측 결과는 다중 시각 학습 알고리즘을 통해 종합되어 최종 예측값을 도출한다. 제안한 방법은 베이징의 대기질 및 기상 데이터를 기반으로 평가되었으며, 10개의 기준 모델과 비교하여 본 모델의 우수성을 입증하였다.