多维时间序列的缺失值插补

我们提出 DeepMVI，一种用于多维时间序列数据集中缺失值插补的深度学习方法。缺失值在从异构源长期聚合数据的决策支持平台中十分常见，可靠的数据分析需要谨慎处理缺失数据。一种策略是插补缺失值，现有多种多样的算法，涵盖简单插值、如 SVD 的矩阵分解方法、如卡尔曼滤波的统计模型，以及近期的深度学习方法。我们表明，在聚合分析上这些方法的性能往往劣于直接排除缺失数据。DeepMVI 使用神经网络结合时间序列上的细粒度与粗粒度模式，以及跨类别维度相关序列的趋势。在尝试现成神经架构失败后，我们设计了自己的网络，包含带有新颖卷积窗口特征的时序 transformer（temporal transformer）以及带学习嵌入的核回归。参数及其训练经过精心设计，以泛化到不同的缺失块位置和数据特征。在九个真实数据集、四种不同缺失场景下，对比七种现有方法的实验表明，DeepMVI 明显更准确，在超过一半的案例中相比最佳现有方法将误差降低逾 $50\%$。尽管比简单的矩阵分解方法慢，我们通过表明 DeepMVI 是唯一能提供比丢弃缺失值更准确整体分析的选项，来佐证增加的时间开销是合理的。