Die Überwachung der Wasserqualität ist ein wesentlicher Bestandteil der Umwelt
Schutz, und eine große Anzahl von Monitoren wird häufig zur Überwachung von Wasser eingesetzt
Qualität. Aufgrund unvermeidbarer Faktoren wie Ausfällen bei der Datenerfassung,
Sensoren und Kommunikationsfehler, Die Daten zur Überwachung der Wasserqualität leiden darunter
fehlende Werte im Laufe der Zeit, was zu hochdimensional und spärlich führt (HDS) Wasser
Qualitätsdaten (WQD). Das einfache und grobe Auffüllen der fehlenden Werte führt zu
Dies führt zu ungenauen Ergebnissen und beeinträchtigt die Umsetzung relevanter Maßnahmen.
daher, In diesem Artikel wird eine kausale Faltungsdarstellung mit niedrigem Rang vorgeschlagen
(CLR) Modell zur Imputation fehlender WQD, um die Vollständigkeit des WQD zu verbessern,
was einer zweifachen Idee zugrunde liegt: A) Anwenden einer kausalen Faltungsoperation auf
Berücksichtigen Sie die zeitliche Abhängigkeit der Darstellung mit niedrigem Rang, daher
Einbeziehung zeitlicher Informationen zur Verbesserung der Imputationsgenauigkeit; und b)
Implementierung eines Hyperparameter-Anpassungsschemas zur automatischen Anpassung der
beste Hyperparameter während des Modelltrainings, Dadurch wird der mühsame manuelle Aufwand reduziert
Anpassung von Hyperparametern. Experimentelle Studien an drei realen Gewässern
Qualitätsdatensätze zeigen, dass das vorgeschlagene CLR-Modell einigen anderen überlegen ist
die vorhandenen modernen Imputationsmodelle hinsichtlich der Imputationsgenauigkeit
und Zeitaufwand, und weist darauf hin, dass das vorgeschlagene Modell mehr bietet
zuverlässige Entscheidungsunterstützung für die Umweltüberwachung.

Dieser Artikel untersucht Zeitreisen und deren Auswirkungen.

PDF herunterladen: