缺失时间序列线性插值帮助不大-以使用递归或注意力网络值进行土地覆盖分类为例

主要观点总结

本文主要探讨了线性插值在时序数据缺失时的补全效果，特别是在土地覆盖分类任务中的应用。文章介绍了线性插值的背景、研究方法、实验过程和结论。

关键观点总结

关键观点1: 背景介绍

时序数据缺失是土地覆盖分类等任务的挑战，线性插值是最常用的补全方法，但其在土地覆盖分类中的增益效果研究较少。

关键观点2: 研究方法

本文使用双向LSTM和Transformer模型进行土地覆盖分类，比较了缺失值时间序列复合物（未线性插值）与补全后时间序列复合物（线性插值）的分类效果。

关键观点3: 实验过程和结果

实验使用了大量卫星时间序列数据，并进行了分类。结果表明，线性插值对于提高分类效果的增益很小，甚至不需要使用线性插值就可以获得较高的分类准确率。

关键观点4: 结论

实验结果显示，未加线性插值的分类精度与加线性插值的分类精度相当，但计算时间大大缩短。基于Bi-LSTM和基于注意力的单像元时间序列大区域土地覆盖分类模型可以摒弃耗时的线性插值方法。

文章预览

长期以来，时序数据缺失是开展分类等任务的巨大挑战。为此，能够想到的解决办法就是时序数据插值，其中线性插值是最便捷的方式。然而，线性插值补全时序数据带来的增益效果却很少有人研究。 碰巧的是，小编最近阅读到一篇类似的文章，觉得很不错，因此分享给大家。 论文信息 Che X, Zhang H K, Li Z B, et al. Linearly interpolating missing values in time series helps little for land cover classification using recurrent or attention networks[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2024, 212: 73-95. 卫星时间序列数据因云层污染导致缺失值广泛存在，这对土地覆盖分类造成了不利影响。 为了生成规则的时间序列以改进机器学习分类器的效果，有多种策略，其中最常用的是复合后的线性插值。然而，线性插值在土地覆盖分类中的实际改进效果尚未被详细研究。近年来，长短期记忆(L ………………………………