基于改进神经过程的缺失数据填充算法

缺失数据填充是数据分析处理领域的一个重要研究课题.特别是在采集数据量较少的情况下,缺失数据填充的难度极大.针对这个问题,提出一种基于改进神经过程模型的缺失数据填充算法,该算法可有效提升小数据集背景下的缺失数据填充性能.首先,将观测到的时间序列进行单一表示,由神经网络得到各自的表征向量;其次,通过神经过程模型获得数据的分布函数,并在训练阶段引入修正系数α,从而根据数据缺失率更加精确地确定训练数据的采样率;最后,加入填充过程,通过训练好的模型估计数据缺失值.为检验算法性能,在海洋表面温度数据集以及北京PM2.5含量数据集上进行仿真实验,结果表明该算法在小数据集背景下具有良好的填充效果.与其他算法相比,所提算法在高缺失率的情况下具有更低的均方根误差.