Sep, 2022

基于自注意力机制的时间序列填补网络：STING

PDF
TL;DR本文提出了一种新的针对多元时间序列数据的缺失值填补方法（STING），它利用了生成对抗网络和双向循环神经网络来学习时间序列的潜在表示，并引入一种新的自注意力机制来捕捉整个序列的加权相关性，实验结果表明，STING 在多个真实数据集上表现出比现有技术更高的填补精度和增强任务能力。
time series datamissing valuesimputationmultivariatedeep neural networks
发现论文，激发创造
  • ST-GIN：基于时空图注意力和双向循环联合神经网络的交通数据填充不确定性量化方法

    本文提出一种创新的深度学习方法来填充交通数据中的缺失值，采用图形关注架构和双向神经网络来捕捉交通数据中的空间和时间相关性，实验结果表明该方法优于所有基准技术，展示了其有效性。

    May, 2023

  • 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

  • 使用半监督学习进行时间序列插值：填补丢失数据的空缺

    本文提出了一种半监督时间序列插值方法 ST-Impute，该方法基于稀疏自注意力模型并结合上下游任务的标签数据和无标签数据，在时间序列插值质量和下游任务结果上优于现有的监督和非监督方法。

    Apr, 2023

  • 基于时空依赖的交通数据插值的深度学习框架

    本文研究了如何使用数据填充的方法处理由于交通网络动态变化引起的多变量时间序列中缺失的时空数据，并就现有方法存在的问题提出了改进方案。

    Apr, 2023

  • 时间序列分类中的概率性数据补全

    本文提出了一个新颖的概率框架，用于处理具有缺失值的多变量时间序列数据的分类问题。通过训练两个部分的模型，一个用于缺失值填补的深度生成模型，一个用于分类的分类器，能够有效地建模填补缺失值带来的不确定性，并且利用新的正则化技术解决了合并模型可能产生的无意义填补解的问题，通过在真实世界数据上进行广泛实验，证明了我们方法的有效性。

    Aug, 2023

  • 多元时间序列插补的深度学习：综述

    通过对最近提出的深度学习插补方法进行综合调查，本文首先提出了一种分类法，然后通过强调其优势和局限性对这些方法进行了结构化的审查。同时，我们还进行了实证实验，研究了不同方法并比较了它们对下游任务的改进效果。最后，指出了未来研究多变量时间序列插补的开放问题。

    Feb, 2024

  • GinAR: 适用于变量缺失的端到端多元时间序列预测模型

    我们提出了一种名为 GinAR 的图内插注意递归网络，以准确地对有限收集的数据进行空间时间依赖性建模，从而解决历史缺失数据的问题。GinAR 通过内插注意力和自适应图卷积这两个关键组件，能够恢复所有缺失变量，并重新构建正确的空间时间依赖性，以递归建模多变量时间序列数据。我们在五个实际数据集上进行了广泛实验，结果表明 GinAR 在效果上优于 11 个先进基准模型，即便在 90% 的变量缺失的情况下，仍能准确预测所有变量的未来值。

    May, 2024

  • ImputeFormer: 用于可推广的时空插补的图变换器

    这篇论文研究了使用深度神经网络架构解决多元时间序列插补问题。通过利用低秩插补方法的经验和专长，我们为传统的 Transformer 模型添加了三项知识驱动的增强，包括投影时间注意力、全局自适应图卷积和 Fourier 插补损失。这些面向任务的归纳偏置利用了不完整时间序列的内在结构，使得我们的模型适用于多种插补问题。我们通过在包括交通速度、交通流量、太阳能、智能电表和空气质量等异构数据集上进行全面的案例研究来进一步加强其可解释性，并通过有希望的实证结果有力地证明了将低秩属性等时间序列原始特征纳入模型可以大幅促进通用化模型的开发，从而解决广泛的时空插补问题。

    Dec, 2023

  • GAIN: 使用生成对抗网络进行缺失数据插补

    本文提出了一种新的通过使用生成对抗网络 (GAN) 框架来填补缺失数据的方法，称为生成对抗填补网络 (GAIN)。通过给 D 提供一些额外的信息，即提示向量，我们测试了我们的方法，并发现 GAIN 显著优于现有的插值方法。

    Jun, 2018

  • 基于神经网络的时间序列数据中缺失值填补方法的开发 —— 数据 Wig 再利用

    通过修改 DataWig 方法，本研究开发了 tsDataWig（时间序列 DataWig），能够直接处理时间变量的值并填补复杂时间序列数据中的缺失值。通过使用模拟和三个不同的复杂实际时间序列数据集，证明了 tsDataWig 在时间序列数据填补方面优于原始 DataWig 和当前最先进的方法，并且由于不需要对数据缺失机制进行强假设，具有广泛的应用前景。该研究为具有数百万样本、高维变量和异构数据类型的挑战性时间序列数据的缺失值填补提供了宝贵的解决方案。

    Aug, 2023