基于图注意力网络的海洋遥感缺失数据智能补全方法

1.本发明属于数据处理技术领域，具体涉及一种基于图注意力网络的海洋遥感缺失数据智能补全方法。


背景技术：

2.海洋遥感技术具有实时性、大覆盖且低成本的特点，广泛应用于海洋环境实时监测。并且，随着空天地海立体观测技术的快速发展，遥感数据呈指数级增长，形成了海量的海洋遥感数据集，为海洋环境灾害预报、减灾等海洋环境保护提供了有力的参考。对遥感数据的进一步应用分析(如赤潮预警，台风路径预测)，对于保护海洋环境至关重要。然而，受云层遮挡、天气、传感器故障等不可抗因素的影响，遥感数据在空间与时间序列上都存在一定的随机缺失，大大降低了长时序大尺度海洋环境实时监测应用研究的效果。因此，对遥感数据精确高效的智能补全是实施海洋环境保护的重要前提。
3.深度学习模型具有充分挖掘数据中时空依赖隐藏信息的强大能力，在时空序列数据，如交通流、气象等领域的预测、修复研究中深受研究者关注。与交通流时空数据研究相比，针对海洋遥感时空数据的补全、预测研究较少，但因其对海洋环境保护的重要性，遥感时空数据的补全、预测研究正在急剧增加。海洋遥感数据在空间和时间上存在一些不同于交通流数据的特性。一方面，空间相关性受一些不可控因素的影响，相邻节点处于动态依赖且依赖程度也不同。例如，风可改变海温节点间的空间相关性；浮游植物的繁衍方向变化使节点间叶绿素浓度空间相关性改变。另一方面，海洋遥感数据存在短期内发生巨大波动的情况，时间序列间的短期依赖模式发生改变。值得注意的是，与预测不同，在补全过程中补全位置的历史时间序列信息与未来时间序列信息均是已知，在补全过程中都应考虑在内。对于时间短期依赖如夏季赤潮频发，叶绿素浓度异常高于平常值，此时补全位置对于未来时间序列的依赖要高于历史时间序列，依赖模式发生改变，因此短期内时间动态依赖不容忽视。
4.因此，亟需提出一种可动态捕捉遥感数据空间相关性和时间短期依赖的海洋遥感数据智能补全方法。


技术实现要素：

5.本发明是为解决上述问题而进行的，目的在于提供一种可动态捕捉遥感数据空间相关性和时间短期依赖、从而实现更为理想的数据补全的海洋遥感数据智能补全方法，本发明采用了如下技术方案：
6.本发明提供了一种基于图注意力网络的海洋遥感缺失数据智能补全方法，其特征在于，包括以下步骤：
7.步骤s1，针对存在缺失数据的海洋遥感数据，构建海洋遥感数据图结构，包括对节点、边、数据矩阵、掩码矩阵及邻接矩阵的定义；
8.步骤s2，基于所述海洋遥感数据图结构，使用两个并行的图注意力网络分别学习
所述节点的空间位置特征信息与时间序列特征信息并分配权重；
9.步骤s3，构建生成对抗网络的生成器和鉴别器结构，并将所述空间位置特征信息、所述时间序列特征信息及其权重与数据矩阵融合，作为所述生成器和所述鉴别器的输入，从而得到所述海洋遥感数据的数据补全结果；
10.步骤s4，训练所述生成器和所述鉴别器，利用损失函数进行寻优，并利用训练好的所述生成对抗网络获得所述海洋遥感数据的最优数据补全结果，其中，至少将所述数据矩阵、所述掩码矩阵及所述邻接矩阵作为所述生成器的输入。
11.本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，步骤s1中，用多个有向加权图表示所述海洋遥感数据的时空数据结构，每个所述有向加权图表示一个时间戳，
12.所述有向加权图的图结构表示为：
13.g＝〈v,e,x,m,a〉
14.式中，v表示节点的集合；e表示边的集合；x∈r
l
×n是数据矩阵，其中l是时间序列的长度，n是节点的个数；m∈r
l
×n为掩码矩阵，其中的元素m
i,j
∈{0,1}，其取值与数据矩阵x对应，若数据矩阵中的元素x
i,j
是缺失值，则对应的掩码m
i,j
＝0，否则对应的掩码为1；a∈rn×n表示邻接矩阵，其中的元素a
i,j
∈{0,1}，若a
i,j
＝1则表示节点vi,vj之间有边，否则为0，a
i,j
的取值由节点vi,vj之间的距离决定，
15.根据所述节点的空间位置集合节点vi,vj之间的距离计算公式为：
[0016][0017]
基于节点vi,vj之间的距离d
i,j
计算掩码a
i,j
的公式为：
[0018][0019]
式中，d
min
表示预先设定的距离阈值。
[0020]
本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，步骤s4包括以下子步骤：
[0021]
步骤s4-1，对于所述生成器，将所述数据矩阵x与随机噪声矩阵z共同作为生成器的输入，其中z:n(0,1)，同时将所述数据矩阵x对应的所述掩码矩阵m与所述邻接矩阵a也作为所述生成器的输入，
[0022]
对于所述鉴别器，将所述生成器的输出g(x z,a,m)以及对应的所述数据矩阵x作为输入，用以判定1-m位置处补全值贴近真实值的概率；
[0023]
步骤s4-2，设置所述损失函数，包括重建损失lr、生成器损失lg以及鉴别器损失ld，定义如下：
[0024]
lr＝||g(x z,a)em-xem||2[0025]
lg＝λl
r-d(g(x z,a))
[0026]
ld＝d(x,a)-d(g(x z,a))
[0027]
式中，g(
·
)代表生成器，d(
·
)代表鉴别器||
·
||2表示均方误差，λ为重构损失超参数；
[0028]
步骤s4-3，采用adam优化函数进行梯度下降训练，更新所述生成器和所述鉴别器的训练参数，获取最优损失函数所对应的补全模型。
[0029]
本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，步骤s2包括以下子步骤：
[0030]
步骤s2-1，利用其中一个所述图注意力网络获取所述节点的空间动态依赖矩阵hs，即所述空间位置特征信息；
[0031]
步骤s2-2，利用另一个所述图注意力网络获取所述节点的时间短期依赖矩阵h
t
，即所述时间序列特征信息。
[0032]
本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，步骤s2-1中，将同一时间戳内的所有空间位置特征视为一个完整的图，该图中节点代表空间位置特征，边代表两个对应的所述空间位置特征之间的空间相邻，定义与节点vj有连接边的节点集合为
[0033]
所述空间位置特征的输出表示为：
[0034][0035][0036]
其中，
[0037][0038]
式中，x
i,j
为特征值，表示在时间戳τi节点vj′
对节点vj的空间关系依赖系数，leakyrelu(
·
)是非线性激活函数，是空间关系依赖系数相应标准化形式。
[0039]
本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，步骤s2-2中，按长度n将多元时间序列切分为l/n个时间片，将同一组内的时间序列数据作为一个完全连通图，定义与时间戳τi在时序上相关的时刻集合为
[0040]
所述时间序列特征的输出表示为：
[0041][0042][0043]
其中，
[0044][0045]
式中，x
i,j
为特征值，表示在节点vj时间戳τi′
对时间戳τi的时间短期依赖系数，
leakyrelu(
·
)是非线性激活函数，是时间短期依赖系数相应标准化形式。
[0046]
本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，所述生成器和鉴别器均包含多个门控循环单元，所述门控循环单元包括更新门以及重置门，步骤s3中，将所述数据矩阵x、所述空间动态依赖矩阵hs以及所述时间短期依赖矩阵h
t
共同作为所述更新门和所述重置门的输入。
[0047]
本发明提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，还可以具有这样的技术特征，其中，所述生成对抗网络为wgan。
[0048]
发明作用与效果
[0049]
根据本发明的基于图注意力网络的海洋遥感缺失数据智能补全方法，在海洋遥感数据图结构定义的基础上，使用两个并行的图注意力网络分别学习图中节点的时间序列特征信息和空间位置特征信息，并为之分配对应权重，而后与数据矩阵融合共同作为生成对抗网络的生成器和鉴别器的输入，从而实现海洋遥感缺失数据的智能补全。由于本发明针对海洋遥感数据的时间短期依赖和空间动态依赖的特性，采用图注意力网络动态获取海洋遥感数据的时间序列特征信息和空间位置特征信息，因此在数据补全的过程中能够更好地聚合海洋遥感相关信息，可有效实现海洋遥感缺失数据的智能补全，提高数据补全的准确性。
附图说明
[0050]
图1是本发明实施例中基于图注意力网络的海洋遥感缺失数据智能补全方法的流程图；
[0051]
图2是本发明实施例中海洋遥感数据的有向加权图的示例图；
[0052]
图3是本发明实施例中获取空间动态依赖和时间短期依赖的示例图；
[0053]
图4是本发明实施例中生成对抗网络的生成器的内部结构流程图；
[0054]
图5是本发明实施例中生成对抗网络模型架构图。
具体实施方式
[0055]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的基于图注意力网络的海洋遥感缺失数据智能补全方法作具体阐述。
[0056]
《实施例》
[0057]
图1是本实施例中基于图注意力网络的海洋遥感缺失数据智能补全方法的流程图。
[0058]
如图1所示，基于图注意力网络的海洋遥感缺失数据智能补全方法具体包括如下步骤：
[0059]
步骤s1，针对存在大量缺失值的海洋遥感数据，构建海洋遥感数据图结构。
[0060]
海洋遥感数据图结构表示为：
[0061]
g＝〈v,e,x,m,a〉
[0062]
如上式所示，海洋遥感数据图结构主要包括对节点v、边e、数据矩阵x、掩码矩阵m以及邻接矩阵a的定义。
[0063]
具体的构建过程描述为：考虑用多个有向加权图表示海洋遥感时空数据结构，并假定有向加权图的拓扑结构不发生变化，每个有向加权图表示一个时间戳。
[0064]
图2是本实施例中海洋遥感数据的有向加权图的示例图。
[0065]
有向加权图的图结构如图2所示，图中，g
τi
表示时间戳τi的有向加权图。图结构可表示为：
[0066]
g＝〈v,e,x,m,a〉
[0067]
式中，v表示节点的集合；e表示边的集合；x∈r
l
×n是数据矩阵，其中l是时间序列的长度，n是节点的个数；m∈r
l
×n为掩码矩阵，其中的元素m
i,j
∈{0,1}，其取值与数据矩阵x对应，若数据矩阵中的元素x
i,j
是缺失值，则对应的掩码m
i,j
＝0，否则反之，即对应的掩码值为1；a∈rn×n表示邻接矩阵，并且其中的元素a
i,j
∈{0,1}，若a
i,j
＝1则表示节点vi,vj之间有边，否则为0，a
i,j
的取值由节点vi,vj之间的距离决定，根据节点的空间位置集合可得节点vi,vj之间的距离计算公式为：
[0068][0069]
因此，基于节点之间的距离d
i,j
可得a
i,j
：
[0070][0071]
式中，d
min
表示预先设定的距离阈值，本实施例中，认为只有小于此阈值的两个节点才是连通的。
[0072]
步骤s2，基于上述海洋遥感数据图结构，使用两个并行的图注意力网络(graph attention network,gat)分别学习节点的空间位置特征信息与时间序列特征信息，并为之分配对应权重。
[0073]
步骤s2具体包括如下子步骤：
[0074]
步骤s2-1，利用其中一个图注意力网络获取节点的空间动态依赖矩阵hs，即上述空间位置特征信息。
[0075]
具体地，将同一时间戳内的所有空间位置特征视为一个完整的图，其中节点(记作空间位置特征节点)代表空间位置特征值，边表示两个对应空间位置特征之间的空间相邻。数据值x
i,j
即在时间戳τi节点vj对应的特征值在空间上受同一时间戳内与该节点vj空间相邻的其他节点的特征值的影响，定义与节点vj在空间上有连接边的节点集合为
[0076]
图3是本实施例中获取空间动态依赖和时间短期依赖的示例图。
[0077]
如图3所示，时间戳τ1的空间位置特征值x
1,4
的输出表示为受与此空间位置特征节点有连接边的空间位置特征节点x
1,1
、x
1,3
以及x
1,5
这三个节点影响。则利用捕捉空间动态依赖的gat网络可得到数据值x
i,j
获取空间动态依赖后的输出表示为：
[0078][0079][0080]
式中，表示在时间戳τi节点vj′
对节点vj的空间关系依赖系数，leakyrelu(
·
)
是非线性激活函数。
[0081]
其中：
[0082][0083]
式中，是空间关系依赖系数相应标准化形式。
[0084]
基于上述公式，便可计算出所有特征值空间动态依赖的输出表示，进而得到空间动态依赖矩阵。
[0085]
步骤s2-2，利用另一个图注意力网络获取节点的时间短期依赖矩阵h
t
，即上述时间序列特征信息。
[0086]
具体地，将多元时间序列划分为固定长度的时间片，同一时间片中的所有时间戳是一个全连接的完整图，将时间戳样本输入gat，gat为不同的时间戳样本赋予不同的权重。
[0087]
本实施例中，按长度n将多元时间序列切分为l/n个时间片，认定同一时间片内的时间序列数据为一个完全连通图。数据值x
i,j
即在时间戳τi节点vj对应的特征值，在时间上受同一时间片内其余所有时间戳的影响，即同一时间片内其余所有时间戳均与时间戳τi相关，定义与时间戳τi在时序上相关的时间戳集合为
[0088]
如图3所示，设定长度3来切分时间片，在第一个时间片中，节点v2的时间序列特征x
3,1
受此时间片中其他节点的影响，即受x
1,1
与x
1,2
的影响。则利用捕捉时间短期依赖的gat网络可得到数据值x
i,j
获取时间短期依赖后的输出表示为：
[0089][0090][0091]
式中，表示在节点vj时间戳τi′
对时间戳τi的时间短期依赖系数；
[0092][0093]
式中，是时间短期依赖系数相应标准化形式。
[0094]
基于上述公式，便可计算出所有特征值时间短期依赖的输出表示，进而得到时间短期依赖矩阵。
[0095]
步骤s3，构建生成对抗网络的生成器和鉴别器结构，并将步骤s2得到的时间序列特征信息、节点空间位置特征信息及其权重与数据矩阵融合，作为生成器和鉴别器的输入，从而得到海洋遥感数据的数据补全结果。
[0096]
图4是本实施例中生成对抗网络的生成器的内部结构流程图，鉴别器与生成器结构相同。
[0097]
如图4所示，生成器和鉴别器均包含多个门控循环单元(gated recurrent unit,gru)，门控循环单元可分为更新门、重置门等。步骤s3中，将上述数据矩阵x、空间动态依赖矩阵hs以及时间短期依赖矩阵h
t
共同作为更新门和重置门的输入。
[0098]
图5是本实施例中生成对抗网络模型架构图。
[0099]
如图5所示，本实施例中，生成对抗网络为wgan(wasserstein gan)，wgan可以很好地解决gan模型崩溃、不收敛的情况，因此本实施例采用wgan进行海洋遥感数据的智能补全。
[0100]
步骤s4，训练生成对抗网络的生成器与鉴别器，利用损失函数迭代寻优，并利用训练好的生成对抗网络获得海洋遥感数据的最优数据补全结果。
[0101]
步骤s4具体包括如下子步骤：
[0102]
步骤s4-1，对于生成器，将数据矩阵x与随机噪声矩阵z共同作为生成器的输入，其中z:n(0,1)，同时将数据矩阵x对应的掩码矩阵m与邻接矩阵a也作为生成器的输入，用以生成更贴近真实数据的训练数据；
[0103]
对于鉴别器，将生成器的输出g(x z,a,m)以及对应的原始数据矩阵x作为输入，用以判定1-m位置处补全值贴近真实值的概率。
[0104]
步骤s4-2，设置损失函数，损失函数包括重建损失lr、生成器损失lg以及鉴别器损失ld，具体定义如下：
[0105]
lr＝||g(x z,a)em-xem||2[0106]
lg＝λl
r-d(g(x z,a))
[0107]
ld＝d(x,a)-d(g(x z,a))
[0108]
式中，g(
·
)代表生成器，d(
·
)代表鉴别器，||
·
||2表示均方误差，λ为重构损失超参数。
[0109]
步骤s4-3，采用adam优化函数进行梯度下降训练，更新生成器和鉴别器训练参数，以获取最优损失函数所对应的补全模型，从而可进行海洋遥感数据中缺失数据的智能补全。
[0110]
本实施例中，未详细说明的部分为本领域的公知技术。
[0111]
实施例作用与效果
[0112]
根据本实施例提供的基于图注意力网络的海洋遥感缺失数据智能补全方法，在海洋遥感数据图结构定义的基础上，使用两个并行的gat网络分别学习图中节点的时间序列特征信息和空间位置特征信息，并为之分配对应权重，获取时间短期依赖矩阵与空间动态依赖矩阵，而后与数据矩阵融合共同作为gan网络的生成器和鉴别器的gru更新门和重置门的输入，从而实现海洋遥感缺失数据的智能补全。由于本发明针对海洋遥感数据的时间短期依赖和空间动态依赖的特性，采用图注意力网络动态获取海洋遥感数据的时间序列特征信息和空间位置特征信息，因此在数据补全的过程中能够更好地聚合海洋遥感相关信息，可有效实现海洋遥感缺失数据的智能补全，提高数据补全的准确性。
[0113]
此外，实施例中采用了wgan，wgan可以很好地解决gan模型崩溃、不收敛的情况。
[0114]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。