[发明专利]融合时空信息的传感器缺失值的填充方法

权利要求书

1.一种融合时空信息的传感器缺失值的填充方法，包括：

输入N条历史数据X以及M条有缺失的数据X_missing；其中M，N大于输入时序长度T；

填充阈值η，将历史数据输入训练好的LSTM-AE_S之后，η＝std(X-X')，其中X为测试数据，X'为模型输出数据，std为标准差；得到已训练模型LSTM-AE_S；已修复数据X^repaired；

将N条历史数据X划分成时序数据集；

初始化LSTM-AE_S：使用Tensorflow深度学习框架，构建多层自编码神经网络，神经元类型使用LSTM，其中第一层神经元数目与传感器数目一致，最中间编码层神经元数目为使用主成分分析方法对历史数据X进行降维后的信息保持率超过99％时的最小维度；然后使用Tensorflow进行网络初始化；

使用神经网络常用的反向传播算法更新LSTM-AE_S的权值W；

将M条有缺失的数据X_missing输入已训练的LSTM-AE_S，进行缺失值填充。

2.根据权利要求1所述的方法，其中，在初始化LSTM-AE_S并且在更新权值W之前，还包括计算重构误差：其中分别是X^j、X^j'中第T个时刻的传感器数据，j的取值范围为1至N-T。

3.根据权利要求2所述的方法，其中，在初始化LSTM-AE_S并且在更新权值W之前，还包括计算正则项误差：其中分别表示X^j'、X^j+1'、X^j-1'中第T个时刻的数据，j的取值范围为1至N-T。

4.根据权利要求3所述的方法，其中，在初始化LSTM-AE_S并且在更新权值W之前，还包括计算损失项：其中是求解偏导数，整个神经网络视为一个关于权值W，偏置项b以及输入X_T的函数，用h_W,b(X_T)指代，θ是正则化参数。