陈中林,杨翠丽,乔俊飞

(北京工业大学信息学部;计算智能与智能系统北京市重点实验室;智能环保北京实验室;北京市人工智能研究院,北京 100124)

1 引言

时间序列预测可以通过历史数据对未知系统进行建模并预测未来数值,已被广泛应用到各领域中[1-4].在时间序列预测中,通常假设数据集是不含缺失的完整数据,然而,在实际数据记录过程中的某些意外因素,如设备故障、通信中断、人为误删除等原因会致使获取的数据含有缺失值,从而形成含缺失值的非完整数据[5-7].传统时间序列预测模型一般由完整数据驱动,若将非完整数据直接输入模型会造成输入不均匀和偏移等问题,从而影响模型预测精度.因此,研究非完整时间序列预测是目前的一个重要方向[8-10].

国内外学者对非完整时间序列预测问题进行了广泛研究.目前,应用最广泛的是先对非完整数据进行预处理得到完整数据,然后基于完整数据来驱动建立的时间序列预测模型的两阶段方法.这类方法更侧重于研究数据预处理阶段,其主要有缺失数据删除和填补两种方式.数据删除直接丢弃缺失部分,只留下非缺失部分.然而,当数据缺失率较高或数据间关联性较强时,该方法会丢失大量有用信息,导致处理后的数据偏离原分布.数据填补方法是在原数据上对缺失数据进行估计和填充,常用方法有前向填补,均值填补和样条插值等[11-13].这些方法主要利用数据的局……