基于时间序列数据特性的缺失值估计算法_陈光平.pdfVIP

Computer Engineering and Applications 计算机工程与应用 2012 ，48 （12） 135 基于时间序列数据特性的缺失值估计算法 陈光平 CHEN Guangping 中国计量学院 信息工程学院，杭州 310018 College of Information Engineering, China Jiliang University, Hangzhou 310018, China CHEN Guangping. Missing value estimating algorithm based on time series data properties. Computer Engi- neering and Applications, 2012, 48 （12）：135-138. Abstract ：Time series data are abundant in many application areas such as motion capture, sensor networks, weath- er forecasting, and financial market modeling. However, missing observations are hardly rare in these real applica- tions, thus it remains a big challenge to model time series in the presence of missing data. With occlusion in motion capture as an example, a method is proposed to handle the challenge, which makes full use of temporal continuity and spatial correlation of time series data to identify hidden variables, to mine their dynamics, and to predict and re- cover missing values of time series. The experimental result shows that the approach can yield the best reconstruc- tion error and the computation time grows slowly with the input and the time duration of the motion-capture. Key words ：time series; missing value; motion capture; hidden variable 摘 要：时间序列是在如运动捕捉、传感器网络、气候预报和财经市场预测等应用中的重要分析手段之一，然 而在许多现实应用中经常发生观察数据缺失现象，如何应用相应的方法和模型来预测和填补含缺失数据的时 间序列是目前研究的热点。以运动捕捉中遮挡问题为例提出了改进方法，利用平滑性和相互关联等时间序列 数据特性，发现时间序列数据中的隐藏变量并挖掘它们的动态特性，在此基础上预测和填补时间序列的缺失 值。实验结果证明了方法具有较小的数据重构误差，方法的计算时间应随着输入和运动捕捉持续时间增大而 缓慢增长。 关键词：时间序列；缺失值；运动捕捉；隐藏变量 文章编号：1002-8331（2012 ）12-0135-04 文献标识码：A 中图分类号：TP391 [2] 在许多应用领域里存在大量的时间序列数据， 踪在人体上的被动式标记 。但即使采用多部相机， 如运动捕捉、传感器网络、气候预报和财经市场预测 有些标记有时也会逃离视野而无法记录，尤其是在 等。分析这些时间序列的重要目的是确定隐藏模式 如握手或现代舞蹈等复杂运动中。 [1] 以预测今后的趋势 。目前已有许多数学工具对时 实践证明目前采用的线性插值和样条插值等直