摘 要: | 在GPS时间序列数据补全问题中,针对在空间点位分布稀疏、观测值连续缺失情况下传统补全效果不佳的问题,提出了一种基于深度学习的补全方法。针对时间序列中存在连续大量缺失的情况,设计了基于长短时记忆神经网络的补全模型;使用待补全站时间序列中可用的数据训练模型,合并使用日期数据增强训练效果,使模型学习到隐式蕴含在序列中的时空相关知识,预测序列缺失处的值。用IGS基准站SHAO的1999—2017年有缺失的时间序列进行实验;并与时间序列预测的传统经典方法 Seasonal ARIMA进行了比较。实验结果表明:在待补全站观测值缺失较多时,提出的方法依然可以取得很好的补全效果;在补全较长连续缺失时,无论是在预测精度还是对原始序列形态的模拟上,表现均优于Seasonal ARIMA。
|