基于强化学习的多变量时序数据缺失值补全方法

作     者：陈俊扬 戴志江 李雪亮 李子健 唐显彬 万昌 许铮铧 巩志国 CHEN Junyang;DAI Zhijiang;LI Xueliang;LI Zijian;TANG Xianbin;WAN Chang;XU Zhenghua;GONG Zhiguo

作者机构：深圳大学计算机与软件学院广东深圳518060 大数据系统计算技术国家工程实验室(深圳大学)广东深圳518060 智慧城市物联网国家重点实验室(澳门大学)中国澳门999078 电工装备可靠性与智能化国家重点实验室(河北工业大学)天津300131 

出 版 物：《中国科技论文》 (China Sciencepaper)

年 卷 期：2023年第18卷第11期

页      面：1205-1212,1229页

学科分类：08[工学] 081201[工学-计算机系统结构] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62102265,62276089) 人工智能与数字经济广东省实验室(深圳)开放合作研究课题资助项目(GML-KF-22-29) 广东省自然科学基金资助项目(2022A1515011474) 河北省自然科学基金资助项目(F2021202064) 

主　　题：时序数据 缺失值填补 强化学习 误差累积 

摘      要：针对基于深度神经网络填补多变量时序数据缺失值时存在误差引入的问题,将强化学习和图神经网络结合,提出了基于强化学习的多变量时序数据缺失值补全方法(reinforcement learning based missing value completion method for multivariate time series data,RL-CFMTS)。具体地,设计了一个图神经网络模块,用于预测最终的缺失值。同时,该模块还为强化学习模块提供状态向量和奖励,指导强化学习为目标时序节点挑选其认为最相似的b个节点来建立时序关系,以减少误差的引入。在3个真实世界数据集上的实验结果表明,RL-CFMTS在插补准确性方面优于近年来的多变量时序数据缺失值填补方法,在天气、股票和疫情数据集中平均绝对误差(mean absolute error,MAE)指标分别提升了12.78%、15.80%和55.73%。