基于CNN与(Bi)LSTM神经网络的时间序列数据填补方法
机器学习
2022-04-22 v1
摘要
在传感器采集数据过程中，多种情况会影响数据的连续性与有效性，导致数据改变或信息丢失。尽管经典的统计方法（如类插值技术）可用于近似时间序列中的缺失数据，但深度学习（Deep Learning, DL）的近期发展推动了更具创新性且更精准的预测技术。本文针对来自意大利博尔扎诺受监测公寓的室内温度时间序列这一具体情形，开发了两种用于填补数据缺口的DL模型。本工作所开发的DL模型基于卷积神经网络（Convolutional Neural Networks, CNNs）、长短期记忆神经网络（Long Short-Term Memory Neural Networks, LSTMs）与双向LSTMs（Bidirectional LSTMs, BiLSTMs）的组合。我们模型的两个关键特征是利用缺口前与缺口后的数据，以及借助相关时间序列（外部温度）来预测目标序列（内部温度）。我们的方法成功捕捉了数据的波动特性，并在重建目标时间序列时展现出良好精度。此外，我们的模型显著改进了作为本文基线的另一种DL架构本已良好的结果。
引用
@article{arxiv.2204.09994,
title = {A data filling methodology for time series based on CNN and (Bi)LSTM neural networks},
author = {Kostas Tzoumpas and Aaron Estrada and Pietro Miraglio and Pietro Zambelli},
journal= {arXiv preprint arXiv:2204.09994},
year = {2022}
}