基于双重正则矩阵分解的缺失数据恢复
2021-05-06芮国胜田文飚
刘 歌, 芮国胜, 田文飚
(海军航空大学, 山东 烟台 264001)
0 引 言
现实场景中,在某一监测区域内通过部署多个传感器对同一对象进行持续的感知,获取丰富的信息以支撑不同类型的感知应用[1]。这些多传感器网络中收集到的数据通常被称为多源时间序列。例如,海上浮标多个传感器监测海洋环境(maritime environment, ME)数据(温度、湿度、压强、风速、风向等)以获取蒸发波导整体态势感知[2];个人医疗系统中通过穿戴设备布设多个传感器监测血压、脉搏、心电等数据获知病人的整体健康状况[3]。由于恶劣的工作条件或不可控制的因素,导致传感器网络短暂甚至长时间无法收集数据从而出现信息盲区,影响系统的感知应用。将上述问题归结为多源时间序列数据的缺失信息恢复问题。该问题广泛存在于海上气象要素监测传感器网络[4]、电网系统[5]、物联网系统[6]、森林防火监测系统[7]等各种传感器网络中,因此解决缺失数据的恢复问题具有重要的实际应用价值。
缺失数据恢复方法中最简单的是插值法,文献[8]提出了基于M分量的概率主成分分析模型和期望最大化(M-component probabilitic principal component analysis-expectation maximization,MPPCA-EM)算法的多重插补算法来预测历史降雨时间序列数据,该方法简单易操作,但是仅适用于丢失少量数据并且时间序列变化非常稳定的情况[9]。常用的方法还有建模法,这是一种通过掌握数据内部的隐含规律,建立模型以预测缺失数据的方法。Frasconi[10]等使用季节性核来测量时间序列实例之间的相似性,并提出将季节性自回归综合移动平均模型与卡尔曼滤波器结合使用,可实现丢失数据预测性能。……
