BRATI：用于时间序列插补的双向循环注意力机制
机器学习
2025-01-10 v1 人工智能
摘要
时间序列分析中的缺失数据带来了重大挑战，影响了下游应用的可靠性。插补——即估计缺失值的过程——已成为一个关键解决方案。本文介绍了BRATI，一种新颖的深度学习模型，旨在通过结合双向循环网络和注意力机制来解决多变量时间序列插补问题。BRATI处理跨长、短时间范围的时间依赖性和特征相关性，利用两个沿相反时间方向运行的插补块。每个块集成循环层和注意力机制，以有效解决长期依赖关系。我们在三个真实世界数据集上评估BRATI，涵盖不同的缺失数据场景：随机缺失值、固定长度缺失序列和可变长度缺失序列。我们的研究结果表明，BRATI始终优于最先进的模型，在多变量时间序列数据插补中提供了卓越的准确性和鲁棒性。
引用
@article{arxiv.2501.05401,
title = {BRATI: Bidirectional Recurrent Attention for Time-Series Imputation},
author = {Armando Collado-Villaverde and Pablo Muñoz and Maria D. R-Moreno},
journal= {arXiv preprint arXiv:2501.05401},
year = {2025}
}