Hinge-FM2I: 基于图像填充插值单变量时间序列缺失数据的方法
机器学习
2024-06-12 v1 机器学习
摘要
准确的时间序列预测对于交通管理、电力消费和医疗保健等各种应用至关重要。然而，模型和数据质量的局限性会显著影响预测准确性。数据质量的一个常见问题是数据点的缺失，称为缺失数据，通常由传感器故障、设备故障或人为错误引起。本文提出了 Hinge-FM2I，这是一种处理单变量时间序列数据中缺失值的方法。Hinge-FM2I 基于预测方法通过图像填充（FM2I）的优势而构建。虽然 FM2I 已被证明有效，但选择最准确的预测仍然是一个挑战。为克服这一问题，我们提出了一个选择算法。受门簧启发，Hinge-FM2I 会在间隙前后丢弃一个数据点（左/右簧），然后使用 FM2I 进行插值，然后根据丢弃的数据点误差最低选择插值间隙。Hinge-FM2I 在由 M3 竞赛基准数据集提取的 1356 个时间序列上进行了评估，缺失值率范围从 3.57%到 28.57%。实验结果表明，Hinge-FM2I 在 established 方法（如线性/样条插值、K 近邻（K-NN）和 ARIMA）方面显著优于这些方法。值得注意的是，Hinge-FM2I 对小间隙的平均对称平均绝对百分比误差（sMAPE）得分为 5.6%，对大间隙为最高可达 10%。这些发现凸显了 Hinge-FM2I 作为一种处理单变量时间序列数据缺失值得前景新方法的有效性。
引用
@article{arxiv.2406.06631,
title = {Hinge-FM2I: An Approach using Image Inpainting for Interpolating Missing Data in Univariate Time Series},
author = {Noufel Saad and Maaroufi Nadir and Najib Mehdi and Bakhouya Mohamed},
journal= {arXiv preprint arXiv:2406.06631},
year = {2024}
}