处理时间序列预测的大差距（TFT 模型）

Question

我有一个每小时的时间序列数据，其中包含短的和大的缺失间隙。对于小间隙，我可以使用线性插值技术来填充缺失点，但我想了解填充大间隙的最佳实践是什么？我的目标是准备数据来训练 TFT（时间融合变压器）模型，据我所知，我不能简单地消除间隙，因为数据将不再连续，这会导致问题。我很感激任何建议，谢谢！

Answer 1

为了填充时间序列数据中的缺失值，可以有多种方法。

1. 前馈：简单地向前传递最后一个可用值。 F(t+1) = F(t)，如果 F(t+1) 缺失。
2. Backword Fill：简单地估算下一个可用值。 F(t) = F(t+1)，如果 F(t) 缺失。
3. 季节性填充：只需估算下一个或上一个季节性可用值，也可以取平均值。 F(t) = F(t+m)，如果缺少 F(t)，则 m 为季节周期。
4. 简单多项式插值：使用多项式函数简单地插值估算值。
5. 状态空间模型（贝叶斯预测）：使用后验分布来估算缺失值。
6. 基于模型的推理：FB Prophet 是一种很好的时间序列预测方法。人们可以使用这些方法来预测缺失数据的值，然后估算它们而不是缺失值。此外，基于树的集成方法也很好。