基于MIC-LSTM的水体连续缺失数据插补

为解决各水体水质监测站点存在大量连续数据缺失问题,提出一种MIC-LSTM预测插补组合模型:首先利用相关性分析最大信息系数(MIC)对水体监测数据中的插补目标变量与环境量之间的关系进行相关性分析,选取MIC值大于设定阈值的特征信息作为模型输入,之后引入深度学习模型长短时记忆(LSTM)神经网络挖掘输入数据特征信息,对目标变量进行预测插补。与其他插补模型进行对比实验,选用评价指标对加入相关性分析MIC方法的有效性进行评估。结果表明:加入MIC进行特征选取输入特征的LSTM模型预测准确率得到提升,具有更强的预测性能。