一种基于条件扩散模型的时空序列插补方法、电子设备及介质

本发明涉及电数字数据处理的，特别涉及一种基于条件扩散模型的时空序列插补方法、电子设备及介质。

背景技术：

1、时空序列数据广泛存在于气象监测、环境传感、交通流量分析、社会经济统计等多个领域，其完整性对后续的模式识别、趋势预测和决策支持具有重要基础性作用。目前，以固定或移动传感器网络为主、辅以遥感卫星和移动终端采集的多源数据获取体系已基本形成，能够提供覆盖范围广、时间分辨率较高的多变量时空观测数据。

2、然而，受传感器故障、通信中断、环境干扰、采集设备交替运行等多种因素影响，实际采集到的时空序列数据普遍存在大量缺失现象。严重的数据缺失不仅制约动态系统演化过程分析的准确性，也严重影响下游预测预警和资源管理等实际应用任务的开展。

3、针对时空序列缺失值插补问题，现有技术主要包括统计与机器学习方法及深度学习方法。传统的统计与机器学习方法包括线性插值、样条插值、k近邻插补及矩阵分解等，通常基于时间序列的光滑性假设或空间相似性假设对缺失值进行估计，计算效率较高，但难以刻画海温数据中复杂的非线性时空演化规律，插补精度有限，尤其在块状连续缺失场景下表现不佳。深度学习方法中，基于循环神经网络或transformer的深度学习方法通过序列建模能力学习时间依赖关系，在一定程度上提升插补精度，但在处理长序列时易产生误差累积，导致后续预测逐步偏离真实值；但其注意力机制主要针对规则网格数据设计，难以有效捕捉实际应用场景中不规则分布观测节点之间的复杂空间拓扑关联和动态演化规律；而基于图神经网络的方法通过预定义的邻接图来建模空间节点之间的依赖关系，能够在一定程度上利用空间结构信息辅助插补，但通常依赖固定的图拓扑结构，难以适应实际系统中空间相关性的动态变化，且由于其对全局上下文信息的利用不足，导致在较大范围连续缺失场景下的插补精度仍不理想。

4、扩散模型在图像生成、音频合成等领域已展现出优异性能，近年来逐步被引入时间序列插补任务。然而，现有的扩散模型在应用于时空插补时，由于高斯噪声的随机性，导致噪声样本偏离真实的时空分布，难以从中有效学习正确的时空关联，且多步迭代去噪过程计算开销大，长序列条件下易发生轨迹偏移，亦缺乏针对空间异质性的专门建模，难以复杂环境中局部与全局空间依赖的协同关系。

技术实现思路

1、本发明解决了现有技术中存在的问题，提供一种基于条件扩散模型的时空序列插补方法、电子设备及介质。

2、本发明所采用的技术方案是，一种基于条件扩散模型的时空序列插补方法，包括以下步骤：

3、s1获取原始观测数据及其缺失掩码，从观测数据中随机选取部分已知位置作为条件，对缺失位置进行线性内插，得到条件信息序列；

4、s2利用条件特征提取模块，根据所述条件信息序列和地理邻接信息，提取全局时空先验特征；

5、s3将当前扩散步的噪声样本与条件信息序列融合，输入噪声估计模块，输出预测噪声；

6、s4根据预测噪声与真实噪声在目标区域的差异计算损失，更新模型参数；所述目标区域为原始缺失掩码中未被选为条件的位置。

7、优选地，s1中，线性内插仅利用同一位置在其他时间步的观测值进行，不引入跨位置信息。

8、优选地，s2中，对所述条件信息序列进行空间维度的自注意力运算、时间维度的自注意力运算及基于地理邻接信息进行图消息传递运算，融合运算的输出，得到所述全局时空先验特征。

9、优选地，s3中，所述噪声估计模块包括：

10、时间提取子模块，用于捕获长程序列依赖；

11、空间提取子模块，用于提取多粒度空间依赖。

12、优选地，所述时间提取子模块对输入特征进行层归一化和状态空间模型处理，与输入特征残差连接得到中间特征；

13、分别对中间特征和全局时空先验特征注入旋转位置编码，进行交叉注意力计算，用于将带噪特征向先验特征的对齐校准；

14、将交叉注意力输出与中间特征残差连接后，经层归一化和线性映射，输出时序校准特征。

15、优选地，所述空间提取子模块将时序校准特征沿空间维度展开，并行执行采用三种不同尺寸的卷积核进行多尺度卷积运算并将结果融合、执行多头自注意力运算、基于邻接信息执行图卷积运算及通过可学习偏移量调整采样位置进行可变形注意力运算；

16、将四个分支的输出经特征融合模块聚合，输出预测噪声。

17、优选地，s4中，所述损失仅在所述目标区域上计算预测噪声与真实噪声的均方误差，并对目标区域大小进行归一化；

18、训练过程中若目标区域像素总数为零，则跳过当前批次样本的损失计算。

19、优选地，在推理阶段，将全部已知观测位置作为条件，从随机噪声逐步去噪，每一步去噪后将已知观测值强制覆盖回对应位置，输出完整序列。

20、一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于条件扩散模型的时空序列插补方法。

21、一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于条件扩散模型的时空序列插补方法。

22、本发明涉及一种基于条件扩散模型的时空序列插补方法、电子设备及介质，获取原始观测数据及其缺失掩码，从观测数据中随机选取部分已知位置作为条件，对缺失位置进行线性内插，得到条件信息序列；利用条件特征提取模块，根据条件信息序列和地理邻接信息提取全局时空先验特征；将当前扩散步的噪声样本与条件信息序列融合，输入噪声估计模块，输出预测噪声；根据预测噪声与真实噪声在目标区域的差异计算损失，更新模型参数；目标区域为原始缺失掩码中未被选为条件的位置；基于方法实现电子设备及介质。

23、本发明的有益效果在于：

24、（1）通过条件特征提取模块从观测数据中提取全局时空先验特征，引导扩散模型的反向去噪过程，有效纠正线性内插引入的平滑偏差，插补精度显著提升；

25、（2）通过状态空间模型捕获长程时序依赖，结合旋转位置编码与交叉注意力校准，有效避免去噪过程中的逐步偏离，缓解长序列误差累积与去噪轨迹偏移；

26、（3）并行集成多尺度卷积、自注意力、自适应图卷积和可变形注意力，实现从局部邻域到全局关联的多层次空间依赖建模；

27、（4）在高稀疏数据环境下保持稳定性能，缺失率达60%时误差仍平稳，90%时仍具可靠插补能力，远超对比模型，具备优异的抗噪声干扰和稀疏数据适应能力；

28、（5）条件特征提取模块通过空间注意力、时间注意力和图消息传递三路并行融合，能够有效捕捉局域关键特征约束，尤其在空间同质性较强的场景发挥重要作用，提升精度；

29、（6）能够有效迁移至空气质量监测、城市交通流预测等其他领域的时空数据插补任务，具有良好的通用性和实用价值，具备良好的跨领域泛化能力；

30、（7）在反向插补推理过程中，每一步去噪后将原始已知观测值强制覆盖回当前估计结果的对应位置，确保已知数据在插补过程中不被改动，保证了插补结果与原始观测数据的严格一致性；

31、（8）自监督随机掩码策略充分利用有限观测数据，损失仅计算目标区域并归一化，避免无效位置干扰梯度更新，训练效率与稳定性兼顾。