Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables
Evolving a Bayesian network model with information flow for time series interpolation of multiple ocean variables
复制标题
利用信息流演化贝叶斯网络模型，用于多个海洋变量的时间序列插值
DOI：
10.1007/s13131-021-1734-1
复制
发表时间：
2021-07
期刊：
影响因子：
--
通讯作者：
Kefeng Liu
中科院分区：
文献类型：
--
作者：
Ming Li;Ren Zhang;Kefeng Liu
基于贝叶斯网络（BN）和信息流（IF），提出了一种新的基于机器学习的海洋变量缺失时间序列插值模型IFBN。设计了一种改进的带IF的BN结构学习算法，用于挖掘海洋变量之间的因果关系，构建网络结构。利用BN的非方向性推理机制，实现了多个缺失时间序列的同步插值。使用IFBN，所有海洋变量被可视化地置于因果网络中，充分利用相关变量的信息来填补缺失的数据。更重要的是，多变量的同步插值可以避免插值对象发生变化时的模型再训练。插值实验表明，IFBN具有比现有插值方法更好的插值精度、有效性和稳定性。
Based on Bayesian network (BN) and information flow (IF), a new machine learning-based model named IFBN is put forward to interpolate missing time series of multiple ocean variables. An improved BN structural learning algorithm with IF is designed to mine causal relationships among ocean variables to build network structure. Nondirectional inference mechanism of BN is applied to achieve the synchronous interpolation of multiple missing time series. With the IFBN, all ocean variables are placed in a causal network visually, making full use of information about related variables to fill missing data. More importantly, the synchronous interpolation of multiple variables can avoid model retraining when interpolative objects change. Interpolation experiments show that IFBN has even better interpolation accuracy, effectiveness and stability than existing methods.
登录
查看更多内容
通过信息流和遗传算法对朴素贝叶斯分类器进行基于因果关系的属性加权
影响因子：
3.9
作者：
Li, Ming;Liu, Kefeng
通讯作者：
Liu, Kefeng
影响因子：
2.7
作者：
Tong Wang;Jie Yang
通讯作者：
Tong Wang;Jie Yang
DOI：
--
发表时间：
1995
期刊：
--
影响因子：
--
作者：
M. Chickering;D. Geiger;D. Heckerman
通讯作者：
M. Chickering;D. Geiger;D. Heckerman
DOI：
--
发表时间：
2001
期刊：
Journal of Computer Research and Development
影响因子：
--
作者：
Liu Da
通讯作者：
Liu Da
DOI：
10.1016/b978-1-55860-332-5.50019-5
发表时间：
1994-07
期刊：
ArXiv
影响因子：
--
作者：
R. Bouckaert
通讯作者：
R. Bouckaert