缺失数据下的序列预测：一种不需要填充的 RNN 方法
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
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
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。
Nov, 2017
本文提出两种方法用于使用未标记的数据改善序列学习。第一种方法是预测序列中的下一个元素，第二种方法是使用序列自编码器。通过这两种算法的无监督训练，我们可以训练出更稳定且泛化性能更好的长短时记忆网络，并在诸如 IMDB、DBpedia 和 20 Newsgroups 等文本分类任务中获得强大的性能。
Nov, 2015
本研究提出了一种名为增强解码器的新型训练方法，通过引入辅助模型生成备用解码器输入来解决多步骤时间序列预测中的累积误差问题，并利用强化学习算法动态选择最优输入以提高准确性。综合实验表明，该方法在多个数据集上优于常见训练方法。此外，该方法在基于自注意力的序列到序列预测模型中同样表现良好。
Jun, 2024
本文介绍了一种新的基于循环神经网络的结构，能够智能地捕捉时间序列的季节性相关性，实现准确的多步预测，并在单个或多个序列数据上使用。在多序列情况下，我们还提出了一种新的贪婪递归过程，以在每个序列数据不足的情况下构建一个或多个预测模型。通过大量实验证明了我们提出的结构在单个序列和多个序列情况下的实用性。
Jul, 2022
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
本篇论文介绍了一种新的方法 —— 基于图的条件变分循环神经网络 (GC-VRNN)，它可以同时执行轨迹插补和预测，能够从不完整的观测中提取空间特征并利用丢失的数据。我们还设计了适用于时序数据的渐进式记忆模块，以获取缺失信息。通过大量实验，验证了我们的方法的出色性能。此外，本论文还提供了三种实践数据集，并对轨迹插补和预测的联合问题进行了评估。
Mar, 2023