一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法

本发明公开了一种基于神经网络深度变换低秩张量恢复的北斗时空数据填补方法，涉及时空大数据技术和人工智能技术领域，本发明将基于迭代优化算法的变换低秩张量恢复步骤进行简化和提取，借鉴深度展开网络的思想，将迭代优化过程展开成神经网络的网络层，并通过将原优化算法中的参数和关键算子设置为可学习网络参数，构建一种深度变换张量恢复网络，最后对真实北斗场景下的时空交通流数据进行缺失值填补实验。本发明不仅能有效提升原始基于优化迭代求解的变换张量低秩恢复算法在时空数据上的填补效果，且可以利用深度学习框架和GPU并行计算资源提高算法运行速度和实际使用效率。