基于深度神经网络的时间序列数据长期缺失值填补
机器学习
2022-02-28 v1 最优化与控制
应用统计
摘要
我们提出一种使用深度学习模型（具体而言，多层感知机（MLP））来估计多元时间序列数据中某变量缺失值的方法。我们关注填补长的连续缺口（例如，缺失数月的每日观测），而非个别随机缺失的观测。我们提出的缺口填补算法使用自动化方法确定最优 MLP 模型结构，从而在给定的时间序列上实现最优预测性能。我们通过填补三个具有不同时间序列特征的环境数据集（即每日地下水位、每日土壤湿度和每小时净生态系统交换）中不同长度（三个月至三年）的缺口来测试我们的方法。我们将该方法所得填补值的精度与广泛使用的基于 R 的时间序列缺口填补方法 ImputeTS 和 mtsdi 进行比较。结果表明，使用 MLP 填补大缺口可得到更好的结果，尤其在数据呈现非线性行为时。因此，我们的方法使得利用某一变量存在大缺口的数据集成为可能，而这常见于许多长期环境监测观测中。
引用
@article{arxiv.2202.12441,
title = {Long-Term Missing Value Imputation for Time Series Data Using Deep Neural Networks},
author = {Jangho Park and Juliane Muller and Bhavna Arora and Boris Faybishenko and Gilberto Pastorello and Charuleka Varadharajan and Reetik Sahu and Deborah Agarwal},
journal= {arXiv preprint arXiv:2202.12441},
year = {2022}
}