一种基于图结构学习的时空数据缺失值填补方法

本发明涉及人工智能技术领域，提供一种基于图结构学习的时空数据缺失值填补方法，根据信号类别将存在缺失值的时空数据分解为空间相关性信息和时序信号;根据时序信号构建训练标签以及输入信号；将输入信号投影到高维度隐空间，通过跨时间表征提取模块，获得时序表征；通过节点尺度空间学习模块获得节点尺度表征；通过特征尺度空间学习模块获得特征尺度表征；通过跨特征表征学习模块，获得重建的时序信号；将处理输入信号得到重建时序信号的模块组成填补框架，将时序信号输入训练后的填补框架，获得完整的时空数据。本发明在填补准确率指标上明显优于现有方法，可以明显提升下游时空分析任务的性能。