.png){kind=icon}
返回
Speciation Relations-inspired Adaptive Node Aggregation and Data Reasoning in Sparse Mobile Crowdsensing
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2026.115300.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
稀疏移动众包感知作为一种高效的数据收集范式，能够利用有限的感知数据重构完整的时空信息，在智能城市的环境监测和资源优化方面具有显著的应用价值。然而，传统方法在数据补全任务中存在明显局限性。由于未能充分挖掘复杂的数据关系，这些方法难以从稀疏数据中有效重构完整的时空信息，同时处理大规模稀疏感知数据的高计算复杂度导致效率低下。为解决这一问题，本文提出了一种受生物物种关系启发的图卷积神经网络（Bio-GCN），用于稀疏感知地图补全。首先，通过模拟生态物种形成机制，将感知数据的时域、空域及非时空相关性分别建模为三种关系：同域种化、邻域种化和异地种化，并构建稀疏单元图以捕捉复杂的时空特征。其次，设计了一种自适应节点聚合机制，基于这三种关系动态聚合稀疏单元图的节点，形成稀疏区域图，从而通过减少节点数量降低计算复杂度。最后，将自适应节点聚合模块整合到图卷积神经网络架构中，实现了稀疏单元图的高效补全。实验结果表明，在Leuvenair和Indian Cities AQI数据集上，Bio-GCN的平均绝对误差、平均相对误差和均方根误差显著优于基线方法，证明了其在稀疏数据补全中的优越性。此外，自适应节点聚合机制显著提升了计算效率，为大规模稀疏感知任务提供了实用解决方案。
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
引用论文
.png){kind=icon}
A New Data Completion Perspective on Sparse CrowdSensing: Spatiotemporal Evolutionary Inference Approach一种新的稀疏众包数据补全视角：时空演化推断方法
PREAI
分享收藏Double-layer-clustering differential evolution multimodal optimization by speciation and self-adaptive strategies基于物种形成和自适应策略的双层聚类差分进化多模态优化
PREAI
分享收藏
Keeping Cell Selection Model Up-to-Date to Adapt to Time-Dependent Environment in Sparse Mobile Crowdsensing在稀疏移动人群感知中保持细胞选择模型最新以适应时间相关环境
PREAI
分享收藏
查看更多内容