[发明专利]一种基于张量填充的自适应群智感知系统数据收集方法

说明书

本发明涉及一种基于张量填充的自适应群智感知系统数据收集方法，包括以下步骤：步骤S1:建立三维空气质量模型，并设定三阶空气质量数据张量；步骤S2:根据建立的三维空气质量模型，采用均匀管进行空气数据采样；步骤S3:将均匀管采样得到的空气数据，进行基于张量子空间的迭代侧切片处理，得到处理后的空气数据；步骤S4:根据处理后的空气数据，通过基于子空间的张量填充方法进行数据恢复，得到完整的空气质量数据。本发明解决了群智感知系统中感知成本过大的问题，能够通过较低的样本预算取得高质量的感知数据，即利用自适应采样策略，提高了三维空气质量数据的重建精度。

技术领域

本发明涉及一种基于张量填充的自适应群智感知系统数据收集方法。

背景技术

由于空气质量监测站的建造和维护成本高昂，监测站的数量必须有效控制，且选址受限，所以在十分有限的数据样本下，很难对城市内不同区域的空气质量进行全面且准确地描述，往往只能给出城市整体的空气质量状况。但是受地表植被、交通流量、楼房密度和气象条件等各种复杂因素的影响，城市中不同地域的空气质量存在显著差异，若能精确快速地构建出城市空气质量云图，就能为市民的出行选择提供直观有效的指导，并为进一步研究空气污染根源提供基础。目前的群智感知系统数据收集方法包含均匀随机采样方法和高成本的全覆盖采样。前者获取的数据精度不高，后者能够取得较高的数据质量，但是感知成本巨大。

目前，张量填充的算法一般可以分成以下几种类型：第一类为张量迹范数最小化问题。第二类是通过分解张量，解决最优化问题，经典的分解方式主要有CP分解、Tucker分解，最新的张量分解形式为张量奇异值分解(t-SVD)；第三类是基于张量分解的概率模型。具体的有，简单低秩张量填充算法(SiLRTC)、快速低秩张量填充算法(FaLRTC)、高精度低秩张量填充算法(HaLRTC)、CP分解加权优化方法(CPwopt)和基于最小二乘法思想的补全算法(TenALS)等等。在张量填充的优化问题求解中，通常利用块坐标下降法(Block CoodinateDescent，BCD)、交替方向乘子法(ADMM)、交替最小二乘法(Alternating Least Squares)求解最优方案。

发明内容

有鉴于此，本发明的目的在于提供一种一种基于张量填充的自适应群智感知系统数据收集方法,用于解决群智感知系统中感知成本过大的问题。

为实现上述目的，本发明采用如下技术方案：

一种基于张量填充的自适应群智感知系统数据收集方法，其特征在于包括以下步骤：

步骤S1:建立三维空气质量模型，并设定三阶空气质量数据张量；

步骤S2:根据建立的三维空气质量模型，采用均匀管进行空气数据采样；

步骤S3:将均匀管采样得到的空气数据，进行基于张量子空间的迭代侧切片处理，得到处理后的空气数据；

步骤S4:根据处理后的空气数据，通过基于子空间的张量填充方法进行数据恢复，得到完整的空气质量数据。

进一步的所述步骤S1具体为：

步骤S11:将目标区域划R分成N₁行N₂列的均匀网格图，得到每个网格即为空气质量数据采样参考点位置；

步骤S12:设定目标区域的空气衡量指标为N₃个，则指标集合为{f_k}，k＝1,...,N₃；

步骤S13:将在区域的任意参考点(x,y)处，N₃个目标区域的空气衡量指标构成三阶空气质量数据张量记为

进一步的，所述步骤S2具体为：

步骤S21:设定考点样本预算为m，分配率为β；