时空插值可以捕获时空数据中的依赖关系,估计地理现象随时间的几何和属性数据变化。现有的时空插值方法大多未同时考虑数据的长期时间相关性以及全局空间信息,本文结合长短时记忆网络LSTM (Long Short Term Memory)与数据的空间特性构...时空插值可以捕获时空数据中的依赖关系,估计地理现象随时间的几何和属性数据变化。现有的时空插值方法大多未同时考虑数据的长期时间相关性以及全局空间信息,本文结合长短时记忆网络LSTM (Long Short Term Memory)与数据的空间特性构建了时空插值模型:(1)模型利用空间层剔除弱相关性的信息,提取相关性更强的空间信息输入LSTM网络;(2)由于传统人工神经网络ANN (Artificial Neural Network)模型无法考虑时间对插值的影响以及单向LSTM模型仅能考虑过去时刻对当前时刻的影响而不能利用未来时刻的信息,本文使用双向LSTM模型BiLSTM(Bi-directional LSTM)体现时间相关性;(3)为了有效提取全局空间特征并保留BiLSTM双向建模的优势,本文将自注意力机制引入BiLSTM中,构建了融合自注意力的双向LSTM插值模型SL-BiLSTM-SA (BiLSTM Model Fused with Spatial Layer-Self attention)。在实验设计阶段,模型被应用于山东省PM2.5浓度数据集进行插值效果研究,并与其它模型进行性能比较。实验表明,SL-BiLSTM-SA模型有着更低的误差度量,相较时空普通克里金STOK (Spatio-Temporal Ordinary Kriging)和遗传算法优化的时空克里金GA-STK (Genetic Algorithm-optimized Spatio-Temporal Kriging)精度分别提高了39.83%、36.63%,且能较准确地预测高值和低值。本文融合空间信息,结合BiLSTM和Self-attention构建了时空插值模型,扩展了时空数据的插值手段,为时空数据分析提供了一定的理论和方法支撑。展开更多
基金国家自然科学基金(the National Natural Science Foundation of China under Grant No.40701138)国家高技术研究发展计划(863)(theNational High- Tech Research and Development Plan of China under Grant No.2006AA12Z215)
