面向多变量时间序列插补的深度学习：综述
机器学习
2025-05-21 v3 人工智能
摘要
缺失值在多变量时间序列（MTS）数据中无处不在，给准确分析和下游应用带来了重大挑战。近年来，基于深度学习的方法通过利用复杂的时间依赖性和学习到的数据分布，成功处理了缺失数据。在本综述中，我们全面总结了用于多变量时间序列插补（MTSI）任务的深度学习方法。我们提出了一种新颖的分类法，从两个关键视角对现有方法进行分类：插补不确定性和神经网络架构。此外，我们总结了现有的 MTSI 工具包，特别强调了 PyPOTS 生态系统，该系统为 MTSI 研究提供了集成且标准化的基础。最后，我们讨论了关键挑战和未来研究方向，为进一步的 MTSI 研究提供了见解。本综述旨在为时间序列分析和缺失数据插补领域的研究人员和从业者提供有价值的资源。维护良好的 MTSI 论文和工具列表可在 https://github.com/WenjieDu/Awesome_Imputation 获取。
引用
@article{arxiv.2402.04059,
title = {Deep Learning for Multivariate Time Series Imputation: A Survey},
author = {Jun Wang and Wenjie Du and Yiyuan Yang and Linglong Qian and Wei Cao and Keli Zhang and Wenjia Wang and Yuxuan Liang and Qingsong Wen},
journal= {arXiv preprint arXiv:2402.04059},
year = {2025}
}
备注
Accepted by IJCAI 2025