《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》
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。
图表编号 | XD003204100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.11.01 |
作者 | 张贝娜、冯震华、张丰、杜震洪、刘仁义、周芹 |
绘制单位 | 浙江大学浙江省资源与环境信息系统重点实验室、浙江大学地理信息科学研究所、北京超图软件服务有限公司、浙江大学浙江省资源与环境信息系统重点实验室、浙江大学地理信息科学研究所、浙江大学浙江省资源与环境信息系统重点实验室、浙江大学地理信息科学研究所、浙江大学浙江省资源与环境信息系统重点实验室、浙江大学地理信息科学研究所、北京超图软件服务有限公司 |
更多格式 | 高清、无水印(增值服务) |