用于缺失传感器数据填补的序列到序列模型
机器学习
2020-02-26 v1 机器学习
摘要
尽管序列到序列（编码器-解码器）模型被视为深度学习序列模型中的当前最优（SOTA）方法，但将其用于恢复缺失传感器数据的研究甚少。关键挑战在于，缺失传感器数据问题通常包含三个序列（观测样本序列、随后缺失样本序列、再随后另一观测样本序列），而序列到序列模型仅考虑两个序列（输入序列与输出序列）。我们通过以新颖方式构建序列到序列模型来解决此问题。一个前向 RNN 编码缺失序列之前观测到的数据，一个后向 RNN 编码缺失序列之后观测到的数据。一个解码器以新颖方式对两个编码器进行解码，以预测缺失数据。我们证明，该模型在比当前最优（SOTA）多 12% 的情况下产生最低误差。
引用
@article{arxiv.2002.10767,
title = {Sequence-to-Sequence Imputation of Missing Sensor Data},
author = {Joel Janek Dabrowski and Ashfaqur Rahman},
journal= {arXiv preprint arXiv:2002.10767},
year = {2020}
}