Causal-GCNM：顾及缺失值的因果图时空预测网络

作者：王培晓; 张彤; 聂士超; 杨瑾萱; 王天骄

来源：测绘学报, 2022, 1-15.

• 地理时空大数据挖掘
• 因果卷积网络
• 图卷积网络
• 时空预测
• 时空数据缺失

时空预测是地理时空大数据挖掘的基础研究命题。目前，多种模型用于预测未知系统的时空状态。然而，存在的大多数预测模型仅没有缺失数据的时空数据集上进行测试，忽略了缺失值对预测结果的影响。在真实场景中，由于传感器或网络传输故障，数据缺失是一个不容忽视的问题。鉴于此，本文提出了一种新颖的顾及缺失值的因果图卷积网络（Causal Graph Convolutional Network considering Missing Values，Causal-GCNM）用于时空预测。Causal-GCNM模型可以自动的捕捉时空数据中的缺失模式，使得Causal-GCNM模型在不需要借助额外插值算法的前提下，可以直接完成时空预测任务。本文提出的模型在三种真实的时空数据集(交通流数据集、PM2.5监测数据集、气温监测数据集)得到了验证。实验结果表明，Causal-GCNM模型在四种缺失条件（20%随机缺失、20%块状缺失、40%随机缺失、40%块状缺失）下仍然具有较好的预测性能，并在预测精度和计算效率两类指标上优于10种存在的基线方法。

• 单位
  武汉大学测绘遥感信息工程国家重点实验室; 武汉大学