利用原型间序列信息对不规则采样时间序列进行插补
机器学习
2024-01-17 v1
摘要
不规则采样的时间序列普遍存在，由于缺失值给分析带来了重大挑战。尽管现有方法解决了插补问题，但它们主要侧重于利用序列内信息，忽略了序列间信息可能提供的潜在好处，例如减少不确定性和记忆效应。为弥补这一差距，我们提出了PRIME（原型递归插补模型），该模型整合了序列内和序列间信息，用于插补不规则采样时间序列中的缺失值。我们的框架包括一个用于学习序列间信息的原型记忆模块、一个利用原型信息进行插补的双向门控循环单元，以及一个用于调整插补值的注意力原型精炼模块。我们在三个数据集上进行了大量实验，结果表明PRIME在均方误差上相对于最先进模型有高达26%的相对改进。
引用
@article{arxiv.2401.07249,
title = {Imputation with Inter-Series Information from Prototypes for Irregular Sampled Time Series},
author = {Zhihao Yu and Xu Chu and Liantao Ma and Yasha Wang and Wenwu Zhu},
journal= {arXiv preprint arXiv:2401.07249},
year = {2024}
}