气象业务高维相关性缺失数据分块填补算法

刘兴丽, 高月, 白玉兰, 孙源, 刘长成

吉林大学学报(信息科学版) ›› 2026, Vol. 44 ›› Issue (03) : 656 -662.

PDF
吉林大学学报(信息科学版) ›› 2026, Vol. 44 ›› Issue (03) : 656 -662. DOI: 10.19292/j.cnki.jdxxp.2026.03.024

气象业务高维相关性缺失数据分块填补算法

    刘兴丽, 高月, 白玉兰, 孙源, 刘长成
作者信息 +

Author information +
文章历史 +
PDF

摘要

由于气象业务数据包含时间、空间和多变量维度,而维度升高会使数据稀疏性增加,并且不同时间/空间尺度下呈现不同的相关性模式,难以映射气象要素与数据间的相关性关系,导致填补结果的结构相似性较差。为此,提出气象业务高维相关性缺失数据分块填补算法。结合互信息算法,基于核密度估计(KDE:Kernel Density Estimation)近似连续型气象变量的概率分布,通过互信息公式量化变量间的非线性统计依赖性,生成对称互信息矩阵,捕捉气象要素的局部相关性。将归一化互信息矩阵转化为相似度矩阵,通过指数函数映射强化强相关性、弱化弱相关性。构建拉普拉斯矩阵,计算其特征向量,并利用k-means算法对特征向量进行聚类,实现属性分块。通过分块处理的方式将气象数据划分为强相关子块,并为每个子块设计独立的条件生成对抗网络(CGAN:Conditional Generative Adversarial Network)。通过对损失函数进行设计,并对条件生成对抗网络进行训练,进而使模型生成与真实气象数据分布一致的填补值。实验结果表明,采用该方法进行缺失数据分块填补时,填补结果的结构相似性稳定在0.92,表明该方法具有理想的填补效果。

关键词

气象业务 / 高维 / 相关性 / 缺失数据 / 填补方法 / 条件生成对抗网络

Key words

引用本文

引用格式 ▾
刘兴丽, 高月, 白玉兰, 孙源, 刘长成. 气象业务高维相关性缺失数据分块填补算法[J]. 吉林大学学报(信息科学版), 2026, 44(03): 656-662 DOI:10.19292/j.cnki.jdxxp.2026.03.024

登录浏览全文

4963

注册一个新账户 忘记密码

参考文献

AI Summary AI Mindmap
PDF

0

访问

0

被引

详细

导航
相关文章

AI思维导图

/