A Causal Convolutional Low-rank Representation Model for Imputation of Water Quality Data

要約

水質の監視は環境保護の重要な部分であり、水質を監視するために多数のモニターが広く展開されています。
データ収集の故障、センサー、通信の障害などの避けられない要因により、水質監視データは時間の経過とともに欠落値に苦しみ、高次元およびまばら（HDS）の水質データ（WQD）をもたらします。
欠損値の単純で大まかな充填は、結果の不正確な結果につながり、関連する尺度の実装に影響します。
したがって、このペーパーでは、欠落しているWQDの完全性を改善するために欠落しているWQDを誘発するための因果的な畳み込み低ランク表現（CLR）モデルを提案します。
b）モデルトレーニング中に最高のハイパーパラメーターを自動的に調整するためにハイパーパラメータ適応スキームを実装し、それにより、ハイパーパラメーターの退屈な手動調整を減らします。
3つの実世界の水質データセットに関する実験的研究は、提案されたCLRモデルが、代入の正確性と時間コストの観点から、既存の最先端の不整合モデルの一部よりも優れていることを示しており、提案されたモデルが環境監視のためのより信頼性の高い意思決定サポートを提供することを示しています。

要約(オリジナル)

The monitoring of water quality is a crucial part of environmental protection, and a large number of monitors are widely deployed to monitor water quality. Due to unavoidable factors such as data acquisition breakdowns, sensors and communication failures, water quality monitoring data suffers from missing values over time, resulting in High-Dimensional and Sparse (HDS) Water Quality Data (WQD). The simple and rough filling of the missing values leads to inaccurate results and affects the implementation of relevant measures. Therefore, this paper proposes a Causal convolutional Low-rank Representation (CLR) model for imputing missing WQD to improve the completeness of the WQD, which employs a two-fold idea: a) applying causal convolutional operation to consider the temporal dependence of the low-rank representation, thus incorporating temporal information to improve the imputation accuracy; and b) implementing a hyperparameters adaptation scheme to automatically adjust the best hyperparameters during model training, thereby reducing the tedious manual adjustment of hyper-parameters. Experimental studies on three real-world water quality datasets demonstrate that the proposed CLR model is superior to some of the existing state-of-the-art imputation models in terms of imputation accuracy and time cost, as well as indicating that the proposed model provides more reliable decision support for environmental monitoring.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google