Jun, 2024

Hinge-FM2I：一种使用图像修复技术插值非多元时间序列中缺失数据的方法

PDF
TL;DR本文提出了一种处理单变量时间序列数据中缺失数据值的新方法 Hinge-FM2I，通过选择最准确的预测来解决数据质量问题，实验证明 Hinge-FM2I 在处理缺失数据方面明显优于线性 / 样条插值、K 最近邻算法（K-NN）和 ARIMA 等已有方法。
time series forecastsmissing datahinge-fm2iimputationforecast accuracy
发现论文，激发创造
  • 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

  • 基于时间的迭代插补策略用于多变量纵向临床数据

    本文提出了一种简单的新方法，即基于时间依赖的迭代插补（TDI），用于填补临床数据中的缺失值，该方法针对多变量和纵向数据，并基于数据的临床模式（包括缺失率和测量频率）引入了患者、变量和观察特定的动态加权策略。对 MIMIC III 和 COVID-19 住院病例进行的测试表明，TDI 可提高风险预测的准确性。

    Apr, 2023

  • 医疗数据缺失值填补技术的性能评估

    该研究比较了七种填补技术在三个医疗数据集上的表现，结果显示 Missforest 填补法表现最好，其次是 MICE 填补法；此外，研究还表明在处理包含缺失值的数据时，首先进行填补再进行特征选择效果更好。

    Mar, 2024

  • 利用多方向循环神经网络估算时间序列数据中的缺失值

    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

  • 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

  • 缺失指示器法：从低维到高维

    本文介绍了一种用于处理缺失数据的方法 ——Missing Indicator Method，该方法通过在特征矩阵中添加缺失模式指示变量来搭配数据的填充，能够提高模型性能，同时还针对高维数据可能出现的模型过拟合问题，提出了一种 SMIM 扩展方法，并在实际的临床数据任务中表明了方法的实用性。

    Nov, 2022

  • 利用图像技术填补时间序列间隙：多维上下文自编码器方法填充建筑能耗数据

    本文研究建筑能源预测和管理的问题，尤其是关于如何在能源数据缺失较多的情况下利用基于图像的深度学习方法对这些数据进行填充的研究，结果表明使用部分卷积（Partial Convolution, PConv）的深度学习方法在减小均方误差方面比 2D-CNN 更有效。

    Jul, 2023

  • 自适应预测缺失数据的优化

    训练具有缺失条目的预测模型时，我们可以利用两阶段自适应优化问题来处理缺失数据，并提出了一种新类模型，即自适应线性回归模型，其中回归系数根据观测特征进行自适应。我们展示了一些自适应线性回归模型等价于同时学习一个填充规则和一个下游线性回归模型，而不是顺序学习。我们利用这种联合填充 - 回归解释来推广我们的框架到非线性模型。在数据不随机缺失的情况下，我们的方法可以提高 2-10% 的样本外准确率。

    Feb, 2024

  • 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

  • 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