[发明专利]时间序列数据的缺失值填充方法和装置

权利要求书

1.一种时间序列数据的缺失值填充方法，包括：

获取包含缺失值的原始时间序列数据和所述原始时间序列数据对应的掩膜序列数据，所述掩膜序列数据用于标识所述原始时间序列数据中的缺失值的位置；

将所述原始时间序列数据中的缺失值填充为预设数值，将填充预设数值的原始时间序列数据与对应的掩膜序列数据输入基于深度神经网络构建的数据填充模型，得到包含对所述原始时间序列数据中的缺失值的预测数值的已填充时间序列数据，其中，所述数据填充模型包括编码器和解码器，所述编码器对输入的原始时间序列数据和对应的掩膜序列进行特征提取，所述特征包括：原始时间序列中不同位置的数据点之间的潜在关系特征、数据的变化趋势特征；

其中，所述数据填充模型包括经过训练的生成式对抗网络中的生成器，所述生成式对抗网络中的判别器用于判别所述数据填充模型生成的时间序列数据是否为真实的时间序列数据；

所述生成对抗网络的训练包括：

基于样本数据训练得到所述生成式对抗网络；

其中，所述样本数据包括缺失部分值的样本时间序列数据和与样本时间序列数据对应的完整时间序列数据；

所述生成式对抗网络中的生成器的损失函数包括：表征所述样本时间序列数据中缺失值的预测误差的第一损失函数；表征所述样本时间序列数据中的非缺失值的预测误差的第二损失函数、表征所述样本时间序列数据在频率域的预测误差的第三损失函数、所述生成式对抗网络的交叉熵损失函数。

2.根据权利要求1所述的方法，其中，所述解码器对所述编码器提取出的特征进行解码，得到所述已填充时间序列数据。

3.根据权利要求2所述的方法，其中，所述编码器包括依次连接的至少两个卷积模块，所述解码器包括与各所述卷积模块一一对应且依次连接的反卷积模块，所述解码器中的第一个反卷积模块的输入包括所述编码器中最后一个卷积模块的输出，所述解码器中其他各反卷积模块的输入包括编码器中对应的卷积模块的输出和与所述反卷积模块连接的上一个反卷积模块的输出。

4.根据权利要求3所述的方法，其中，所述样本时间序列数据包括相互关联的至少两组样本时间序列数据。

5.根据权利要求1-4任一项所述的方法，其中，所述方法还包括：

利用所述原始时间序列数据中的缺失值的预测数值对所述原始时间序列进行填充，得到所述原始时间序列数据对应的完整时间序列数据；

对所述完整时间序列数据进行建模分析。

6.一种时间序列数据的缺失值填充装置，包括：

获取单元，被配置为获取包含缺失值的原始时间序列数据和所述原始时间序列数据对应的掩膜序列数据，所述掩膜序列数据用于标识所述原始时间序列数据中的缺失值的位置；

填充单元，被配置为将所述原始时间序列数据中的缺失值填充为预设数值，将填充预设数值的原始时间序列数据与对应的掩膜序列数据输入基于深度神经网络构建的数据填充模型，得到包含对所述原始时间序列数据中的缺失值的预测数值的已填充时间序列数据，其中，所述数据填充模型包括编码器和解码器，所述编码器对输入的原始时间序列数据和对应的掩膜序列进行特征提取，所述特征包括：原始时间序列中不同位置的数据点之间的潜在关系特征、数据的变化趋势特征；

其中，所述数据填充模型包括经过训练的生成式对抗网络中的生成器，所述生成式对抗网络中的判别器用于判别所述数据填充模型生成的时间序列数据是否为真实的时间序列数据；

所述生成对抗网络的训练包括：

基于样本数据训练得到所述生成式对抗网络；

其中，所述样本数据包括缺失部分值的样本时间序列数据和与样本时间序列数据对应的完整时间序列数据；

所述生成式对抗网络中的生成器的损失函数包括：表征所述样本时间序列数据中缺失值的预测误差的第一损失函数；表征所述样本时间序列数据中的非缺失值的预测误差的第二损失函数、表征所述样本时间序列数据在频率域的预测误差的第三损失函数、所述生成式对抗网络的交叉熵损失函数。

7.根据权利要求6所述的装置，其中，所述解码器对所述编码器提取出的特征进行解码，得到所述已填充时间序列数据。