Aman Sunesh

新模型解决时间序列预测中信息缺失数据的问题

研究人员开发了一种新的统计模型 MNAR-LDS，用于处理时间序列中的缺失数据，特别是在交通预测系统中。该模型考虑了数据丢失并非随机而是取决于未观察到的条件所导致的“信息黑洞”。通过使用扩展卡尔曼滤波器和 Rauch-Tung-Striebel 平滑进行推断，MNAR-LDS 在西雅图交通数据上的插补精度优于标准的 MAR-LDS 模型。在掩码插补任务中，该模型在精度和计算成本之间取得了有利的权衡，并且在与大型神经网络架构的竞争中也表现出色。