《表4 不同方法数据补全结果（PM2.5)》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于时空多视图BP神经网络的城市空气质量数据补全方法研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将STMV-BP和以下5种典型数据补全方法的表现效果进行了比较，结果见表4。5种典型数据补全方法为：（1)ARIMA，基于过去短期数据预测缺失数据，不断迭代预测缺失数据；（2)STKNN，基于k个最邻近的时间和空间数据，取其平均进行缺失数据的填补；（3)NonCVX，基于EMA和OK进行局部初始化，采用非凸矩阵完备算法进行缺失数据填补；（4)EMA+OK，基于EMA和OK计算时间视图和空间视图，取其平均进行缺失数据的填补；（5)STMV-R，采用本文提出的时空多视图作为特征，采用线性回归融合时空多视图特征。