一种基于序列到序列模型的时间序列插补.pdf

万方数据
一种基于序列到序列模型的时间序列插补周茜，向维引言玳文章编号：———要：多变量时间序列通常包含缺失值。针对如何利用不完整的信息探索复杂的丢失模式进而修复多变量时间序列的丢失值，提出了连续初始化的序列到序列模型琒Ｔ赟模型中，为维向量��员硎纠�沸畔ⅰＲ话闱榭鱿拢�笔У�乡子多子秽�����������椒ɡ丛げ饨煌�髦卸JУ氖�荨５�牵�解��������������琍��椒ǎ�ü�元���������騟�����琑��哂谐錾ǖ某て谑�间依赖性模拟能力，因此被广泛应用于时间序列插序列插补模型�����猼�猻����的所有数据流都具有相同的丢失率旧��倚枰M暾�的数据集进行模型训练。以固定的时间间隔采集的，然而，许多真实的时问序就诊都进行检测。与定期收集的多变量时问序列数据的插补相比，由于缺失数据的模式复杂，在不规则采样时间序列中修复缺失值更具挑战性。��归神经网络���—����������琈—��用于处理医学应用中不规则采样的多变量时间序列中的缺失数据。但是，�猂�是训练Ⅲ�Ａ硗猓�绾吻〉钡乜悸鞘奔湎喙匦院捅淞�相关性对插补准确度至关重要。�本文提出了一种新的深度学习网络结构，称为连续初始化序列到序列模型�������作为初始状态，而后向层的最后一个状态用以初始��������，��瓹�作为其递归分量来学习历������为�—��Ｓ捎谝�刈刺�话���セ蚪ɡ吹男�而提高缺失值估计的准确度。在模型的训练阶段，当输入变量的值存在时，���ü�平�淙氡淞康闹道囱�耙桓龈丛拥哪�间序列中的随机和连续缺失数据。为了验证���的优越性，将在两组临床数据集上与�鲎钕冉��插补模型的插补结果进行比较。��公式符号说明定义��。，工：，⋯，��蔙“则为一个长度为���¨戈�．¨⋯，戈㈤。�‘表示所有Ⅳ个传感器的第�义一个指示矩阵为��涿扛鲈K豰㈦。�蓌中的中丢失，因此定义△∈�舸ㄎW陨洗喂鄄獾街档氖��¨��坏眆�时，�川��—�暌籰���������幸�����模型结构如图��荆琒��的模型结构由��瓹�编码器和双向�．��饴肫髯槌伞１嗦肫鞔��时间序列数据可以通过缺失点前后的数据进行北京信息科技大学学报第�卷���������，������—�—����万方数据
摺�����Ｒ��易�卜拼接≮复制竹．�一���目’式中眠和西。为通过训练获得的模型参数。状态衰插值。因此，解码器以双向循环神经网络的方式插补丢失的数据。后向���层以��魑3跏�隐藏状态，然后按时间倒序逐步插补缺失值。后向���层的最后一个状态代表未来的信息作为前向���层的初始化隐藏状态。第￡个时间步的最终输出鼋。是后向插补值和前向插补值的组合。接下来，将对编码器和解码器的工作机制进行更详细的阐述。由于��芄蛔匀坏卮�砜杀涑ざ刃蛄校�移�在所有时间步长上共享参数，这大大减少了需要学习的参数个数。在��谋涮逯校�褂昧嗣趴氐莨�单元�����的网络结构如图��荆�渚哂�状态�＃��鹿�饺缦拢�式中：矩阵彬、�、�⑴洹�，、�拖蛄恳住！�西，、�DＰ脱盗凡问�欢⑽猻���激活函数；�表示逐元素相乘。由于输人的多变量时间序列含有丢失值，不能直接使用工。作为��氖淙搿１疚奶岢隽私徊婊�间依赖性获得可训练的缺失值的替换值。�的输出��唷＃�啵海��琷，�蔙№��扑愎�饺缦拢�数。在时间序列数据