利用图像技术填补时间序列间隙：多维上下文自编码器方法填充建筑能耗数据

Jul, 2023

利用图像技术填补时间序列间隙：多维上下文自编码器方法填充建筑能耗数据

Filling time-series gaps using image techniques: Multidimensional context autoencoder approach for building energy data imputation

PDF

Chun Fu, Matias Quintana, Zoltan Nagy, Clayton Miller

TL;DR本文研究建筑能源预测和管理的问题，尤其是关于如何在能源数据缺失较多的情况下利用基于图像的深度学习方法对这些数据进行填充的研究，结果表明使用部分卷积（Partial Convolution, PConv）的深度学习方法在减小均方误差方面比 2D-CNN 更有效。

Abstract

building energy prediction and management has become increasingly important in recent decades, driven by the growth of Internet of Things (IoT) devices and the availability of more energy data. However, energy data is often collected from multiple sources and can be incomplete or incon

building energy prediction energy data imputation image-based deep learning partial convolution (pconv)mean squared error (mse)

发现论文，激发创造

利用部分卷积的深度神经网络对卫星图像时间序列进行高效数据驱动的缺口填充

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

深度结构化基于能量的图像修复

本文提出了一种采用能量模型的结构化图像修复方法，通过卷积神经网络学习图像的结构关系以及缺失区域，并在多个基准数据集上进行实验，发现其明显优于使用生成对抗网络的现有方法。

Jan, 2018

集成能源系统短期多能源需求预测的深度卷积神经网络

开发基于卷积神经网络的六种新型预测模型，用于预测集成能源系统的多能源需求，评估结果使用信噪比和均方根误差进行。

Dec, 2023

打开黑匣子：利用建筑物理学洞察实现内在可解释的能源数据填补模型

建筑能源建模中经常观察到的缺失数据需要用先进的数据驱动解决方案来反映这些异常的非线性行为。本文提出了在商业建筑中使用基于物理信息的去噪自编码器 (PI-DAE) 进行缺失数据填补的方法，并通过引入物理知识到网络中实现了更可解释的预测，从而促进了该方法的实际应用。

Nov, 2023

用图神经网络填补 G_ap_s：多元时间序列插值

本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

Jul, 2021

连续时间自编码器用于正常和非正常时间序列填补

基于连续时间自回归神经网络（NCDEs）的连续时间自编码器（CTA）方法，在时间序列输入中表现出最佳的填补性能。

Dec, 2023

用卷积自编码器填充人体运动

本论文提出一种基于卷积自编码器的算法来解决 3D 人体运动数据中的运动填充问题，通过将缺失的姿势预测出来以使得填充后的姿势能够自然地过渡到结束序列。此方法不仅能够填补完整的帧，还能够用于补充部分姿势和去除噪声，同时能够自动拟合变化长度的缺口。

Oct, 2020

ImputeFormer: 用于可推广的时空插补的图变换器

这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

Dec, 2023

使用部分卷积进行不规则孔洞的图像修复

本文介绍了使用部分卷积方法进行图像修补，着重解决了现有方法中出现的颜色不匹配和模糊度高的问题，并通过实验证明了方法的有效性。

Apr, 2018

适应不平衡数据：使用 3D 部分卷积和偏置掩码插值城市时空数据

该研究利用图像修补技术对城市数据中的大型、不规则的缺失区域进行填充，从而保证数据集的完整性和可应用性，具有较好的效果和可行性。

Jan, 2023