摘要：随着城市化进程加快，空气污染形势也愈发严峻，在城市范围内提供时空细粒度的空气质量分布对于人们的户外规划和身体健康具有重要意义。然而，稀疏的空气质量站点，不完备的相关特征数据以及空气质量随空间和时间的非线性变化，对无站点区域的空气质量准确推断提出了巨大挑战。通过分析实际空气质量数据集，发现空气质量矩阵的低秩结构，并基于此提出一种基于低秩矩阵分解的方法，通过融合来自低秩结构、空气质量测量值和各种时空特征的信息进行空气质量推断。与现有工作分别处理特征恢复、特征提取和空气质量推断不同，将三个任务统一到一个模型，通过对不同任务的协同训练与监督以提升总体的推断性能。在模型中，构建空间、时间特征矩阵及空气质量矩阵，进行联合低秩矩阵分解，分别得到空间区域的特征表示、不同时刻的特征表示，通过与空气质量矩阵共享空间及时间矩阵因子，将空间和时间特征表达的时空相似性信息迁移到空气质量矩阵缺失值推断以提升其性能。基于北京市的真实空气质量数据集，通过将所提模型与基线模型进行对比，表明所提模型在推断误差、标准差等指标上均优于基线模型，具有较好的FAC2结果，能够在一定程度上揭示影响空气质量变化的主要时空特征。
文章目录
1 问题描述
2 算法设计
2.1 低秩结构
2.2 推断模型
2.3 模型优化
3 实验验证
3.1 实验设置
3.2 实验结果分析
4 结 论
