一种基于样本筛选的R-LSTM空气质量缺失数据插补算法

本发明涉及一种基于样本筛选的R‑LSTM空气质量缺失数据插补算法。该方法首先将输入的空气质量时间序列数据学习样本进行关联性计算，得到最为相关的几个特征后，根据这些特征的缺失情况进行学习样本筛选，使得输入模型的数据均为较为完整的数据。最终通过BI‑LSTM网络对缺失数据段进行插补并输出完整的时间序列数据。本发明方法通过相关实验验证了方法在对空气质量时间序列缺失值处理方面具有适应性与较优的准确性。