Nov, 2017

利用多方向循环神经网络估算时间序列数据中的缺失值

PDF
TL;DR提出了一种基于新型深度学习结构的多方向循环神经网络方法，用于在数据流内插值和在数据流中添加值。模型在医疗数据集中的表现优于 11 个现有方法，提高了 35% 至 50% 左右的均方根误差，有效地解决了医疗数据中缺失数据的问题。
missing datamedical datadeep learningrecurrent neural networkestimation
发现论文，激发创造
  • 使用递归神经网络对临床时间序列中的缺失数据进行建模

    本文采用简单的策略解决临床时间序列中缺失数据的问题，通过将缺失数据视为特征，并利用简单的二进制指示器处理，实现了儿科重症监护病房（PICU）临床时间序列的多标签诊断分类预测。同时，我们也展示了基于缺失数据模式的训练模型不仅能刻画缺失数据信号，同时显示该信号的预测性可以超过部分疾病的测试结果本身。

    Jun, 2016

  • 用于多变量时间序列的循环神经网络，含缺失值

    本研究提出一种基于 GRU 的深度学习模型 GRU-D，利用缺失模式中的缺失值及其时间间隔，成功地捕获时间序列中的长期时间依赖关系，提高了时间序列分类任务的预测性能，并为缺失值在时间序列分析中的更好理解和利用提供了有用的见解。

    Jun, 2016

  • 使用混合深度神经网络从不完整数据中学习时空特征进行交通流预测

    本文旨在探讨使用基于数据驱动模型的混合深度神经网络进行交通流预测的方法，针对加利福尼亚高速公路交通预测系统（PeMS）中的数据缺失问题，综合运用循环神经网络（RNNs）和卷积神经网络（CNNs）的空时关联性将邻近站点的数据融合，并使用多种数据预处理技术来提升模型的健壮性。结果表明，在数据缺失率达到 21% 以下时，采用平均值插补技术的混合模型的预测精度最高。

    Apr, 2022

  • 缺失数据下的序列预测：一种不需要填充的 RNN 方法

    该研究介绍了一种新颖的基于循环神经网络的解决方案，用于在缺失数据下进行序列预测。 与所有现有方法不同，该方法直接编码数据中的缺失模式而不是在模型构建之前或期间尝试填补数据。

    Aug, 2022

  • BRITS: 双向循环插值用于时间序列

    本论文提出 BRITS，一种基于递归神经网络的缺失值填充方法，可以处理多个相关的时间序列缺失值，并可以推广到具有非线性动态的时间序列。在三个真实世界数据集上验证了其有效性。

    May, 2018

  • 一种端到端的时间序列模型，用于同时进行填充和预测

    本文提出了一个基于神经网络的端到端模型，可以在存在缺失值的时间序列数据上，同时实现预测并融合缺失值，相比现有方法表现出更好的综合性能。

    Jun, 2023

  • 非参数化端到端概率分布式发电产量预测考虑缺失数据插补

    本论文介绍了一种非参数的端到端方法，用于在包括缺失数据插补的情况下对分布式可再生能源生成输出进行概率预测。

    Mar, 2024

  • 使用迭代插值网络恢复丢失传感器数据

    本文介绍一种基于迭代填充网络的模型，用于处理机器学习任务中的传感器数据且能够捕捉数据中的潜在大范围动态，并在北京空气质量和气象数据集中显着优于以往的插值填充方法，同时在不同的缺失率实验中也表现出一致的优越性。

    Nov, 2017

  • 用图神经网络填补 G_ap_s：多元时间序列插值

    本研究使用图神经网络架构 GRIN 来处理多变量时间序列的缺失值，通过信息传递学习时空表示，实现修复缺失数据，并在真实基准测试中表现出超过 20% 的平均绝对误差改善。

    Jul, 2021

  • 基于隐式神经表示的时间序列连续建模：插值与预测

    该研究提出了一种使用隐式神经表示法的时间序列建模方法，能够有效捕捉时间序列的连续性，并提供对处理缺失数据、不规则采样或多个传感器的不对齐观测等常见问题的自然解决方案，并通过实验表明，在预测和填充任务中取得了最先进的性能，能够灵活处理各种具有挑战性的场景。

    Jun, 2023