[发明专利]基于深度学习的空间领域的插值方法、装置及相关设备

说明书

本发明公开了一种基于深度学习的空间领域的插值方法，应用于机器学习领域，用于提高基于深度学习的空间领域的插值精度。本发明提供的方法包括：获取待分析空间的特征矩阵和反距离特征矩阵；基于所述特征矩阵和所述反距离特征矩阵，构建训练数据；将所述训练数据输入预训练模型进行训练，得到反距离特征模型；基于所述特征矩阵的特征，构建插值点特征矩阵；将所述插值点特征矩阵输入所述反距离特征模型进行计算，得到反距离加权值矩阵；基于所述反距离加权值矩阵，对所述待分析空间进行空间分析，得到分析结果。

技术领域

本发明涉及机器学习领域，尤其涉及一种基于深度学习的空间领域的插值方法、装置、计算机设备及存储介质。

背景技术

在对涉及到地理信息、环境监测分析等空间领域进行空间分析时，常见的插值方法为反距离权重插值法(IDW)、可里金插值法(Kriging)等。其中，反距离权重插值法是通过对待分析区域的邻近区域中每个采样点值进行平均值计算获得内插单元，克里金插值法是指在数学上可对所研究的对象提供一种最佳线性无偏估计的方法。克里金插值法是指在数学上可对所研究的对象提供一种最佳线性无偏估计的方法，该方法主要为考虑了样品的各个几何特征和空间结构的一个内插方法。

在对空间领域进行空间分析时，如空气监测分析领域，反距离权重插值法直接将气象因素作为影响距离的因子，然后在此基础上进行插值，但导致损失掉很多有用信息，使插值精度有限。同时，该方法要求离散点均匀分布，并且样本点的密集程度能在结果中具有变化量，且反距离插值法仅仅考虑了两点在同一平面的距离，并未考虑空间分布的特征，使得对空间分析的精确度不高。由于空气监测站监测出来的空气污染浓度中的观测点在空间上的分布是很不规则的，但克里金插值法在样本数量较少的情况下，空间结构图会出现明显的凹凸现象，会对插值造成影响，使得插值精度有限，因此，克里金插值法并不适用与空气监测分析领域，该方法的适用性较低。

因此，对空间领域进行空间插值时，现有方式存在分析精度较低的问题。

发明内容

本发明实施例提供一种基于深度学习的空间领域的插值方法、装置、计算机设备及存储介质，以提高基于深度学习的空间领域的插值精度。

一种基于深度学习的空间领域的插值方法，包括：

获取待分析空间的特征矩阵和反距离特征矩阵；

基于所述特征矩阵和所述反距离特征矩阵，构建训练数据；

将所述训练数据输入预训练模型进行训练，得到反距离特征模型；

基于所述特征矩阵的特征，构建插值点特征矩阵；

将所述插值点特征矩阵输入所述反距离特征模型进行计算，得到反距离加权值矩阵；

基于所述反距离加权值矩阵，对所述待分析空间进行空间分析，得到分析结果。

一种基于深度学习的空间领域的插值装置，包括：

矩阵获取模块，用于获取待分析空间的特征矩阵和反距离特征矩阵；

训练数据获取模块，用于基于所述特征矩阵和所述反距离特征矩阵，构建训练数据；

特征模型获取模块，用于将所述训练数据输入预训练模型进行训练，得到特征模型；

插值点特征矩阵获取模块，用于基于所述特征矩阵的特征，构建插值点特征矩阵；

反距离加权值矩阵获取模块，用于将所述插值点特征矩阵输入所述反距离特征模型进行计算，得到反距离加权值矩阵；

空间分析模块，用于基于所述反距离加权值矩阵，对所述待分析空间进行空间分析，得到分析结果。