La surveillance de la qualité de l'eau est un élément crucial de la protection de l'environnement.
protection, et un grand nombre de moniteurs sont largement déployés pour surveiller l'eau
qualité. En raison de facteurs inévitables tels que des pannes d'acquisition de données,
capteurs et pannes de communication, les données de surveillance de la qualité de l’eau souffrent
valeurs manquantes au fil du temps, résultant en des éléments de grande dimension et clairsemés (HDS) Eau
Données de qualité (WQD). Le remplissage simple et grossier des valeurs manquantes conduit à
des résultats inexacts et affecte la mise en œuvre des mesures pertinentes.
Donc, cet article propose une représentation convolutive causale de bas rang
(CLR) modèle d'imputation du WQD manquant pour améliorer l'exhaustivité du WQD,
qui repose sur une double idée: un) appliquer une opération convolutive causale à
considérer la dépendance temporelle de la représentation de bas rang, ainsi
incorporer des informations temporelles pour améliorer la précision de l’imputation; et b)
implémenter un schéma d'adaptation des hyperparamètres pour ajuster automatiquement le
meilleurs hyperparamètres lors de la formation du modèle, réduisant ainsi le manuel fastidieux
ajustement des hyper-paramètres. Des études expérimentales sur trois eaux du monde réel
les ensembles de données de qualité démontrent que le modèle CLR proposé est supérieur à certains des
les modèles d'imputation de pointe existants en termes d'exactitude de l'imputation
et le coût en temps, tout en indiquant que le modèle proposé offre plus
aide à la décision fiable pour la surveillance environnementale.

Cet article explore les excursions dans le temps et leurs implications.

Télécharger PDF: