预测时空卫星数据中的缺失值
本文研究如何使用三维空间时间部分卷积作为神经网络的层来填补卫星图像时间序列中的缺失,然后将 U-Net 模型应用于 Sentinel-5P 卫星所提供的不完整的全球一氧化碳观测的图像时间序列,并将结果与两种统计方法进行比较,结果表明预测误差相当,但预测时间快三个量级,适用于处理大量卫星数据。
Aug, 2022
通过比较基础的 Vision Transformer (ViT) 模型与基准的条件生成对抗网络 (CGAN) 模型在时间序列的多光谱卫星图像上进行缺失值插补的性能,我们评估了插补准确性和语境保留,使用了结构相似性指数和绝对均值误差等定量评估指标以及定性的视觉分析。
Apr, 2024
本文提出了一种半监督时间序列插值方法 ST-Impute,该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据,在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。
Apr, 2023
通过利用生成模型,在不需要预处理且避免引入潜在错误的情况下,同时预测基于观测值的所有未知值,提供了一种高效的概率预测方法,相比传统的先填补值再预测方法,能够在连续排名概率得分方面取得更好的性能。
Mar, 2024
通过分布回归和集成学习方法,可以在空间预测和其他预测问题中利用零调整概率分布来创建由数据合并生成的降水数据集,并提供不确定性估计。通过与基准模型的比较,确定了层叠方法是最有效的策略,而在特定的分位数水平下,具体的层叠方法会有所不同,因此使用多个算法进行任务特定的组合可能会带来显著的好处。
Jun, 2024
训练具有缺失条目的预测模型时,我们可以利用两阶段自适应优化问题来处理缺失数据,并提出了一种新类模型,即自适应线性回归模型,其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型,而不是顺序学习。我们利用这种联合填充 - 回归解释来推广我们的框架到非线性模型。在数据不随机缺失的情况下,我们的方法可以提高 2-10% 的样本外准确率。
Feb, 2024
通过引入一种称为普通克里金法的空间插值技术生成的伪标签,将未标记的卫星图像与稀疏的地面测量数据融合,从而充分利用可用的卫星数据资源来增强卷积神经网络 - 随机森林模型的性能,提高空间相关性并降低预测误差。
Jan, 2024
利用深度学习方法,结合免云的光学观测和天气无关的合成孔径雷达数据,采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列,该方法在连续观测序列中对事件检测任务的准确性进行了改进,并有效滤除由云观测引起的突变和噪声。
Mar, 2024
点云分割在机器人感知和导航任务中起着重要作用,本文提出了一种新的投影方法,以及简单有效的填充方法,并介绍了两个网络模型,通过采用这些方法,现有的基于范围图像的点云分割模型在性能上取得了明显的改善。
May, 2024
本文提出了一个新颖的概率框架,用于处理具有缺失值的多变量时间序列数据的分类问题。通过训练两个部分的模型,一个用于缺失值填补的深度生成模型,一个用于分类的分类器,能够有效地建模填补缺失值带来的不确定性,并且利用新的正则化技术解决了合并模型可能产生的无意义填补解的问题,通过在真实世界数据上进行广泛实验,证明了我们方法的有效性。
Aug, 2023