多元时间序列插补的深度学习：综述
内容提要
该文综述多变量时间序列缺失值插补方法，包括深度潜变量模型、概率分类框架、半监督ST-Impute、时间依赖迭代插补TDI、增强Transformer、GRU-D及图神经网络GRIN等。研究指出插补效果取决于数据类型、变量统计、缺失率与类型，需结合具体场景选择方法。
延伸解读
方法选择需结合数据特性
文章通过五个健康数据集和六种实验条件的基准测试发现，没有一种深度插补方法在所有数据集上表现最佳。插补效果取决于数据类型、变量统计、缺失率和缺失类型。因此，在实际应用中，不能盲目套用某一方法，而应针对具体数据场景进行评估和选择。
深度插补方法的多样性
综述涵盖了多种深度插补方法，包括深度潜变量模型、概率分类框架、半监督ST-Impute、时间依赖迭代插补TDI、增强Transformer、GRU-D以及图神经网络GRIN等。这些方法分别从不同角度处理缺失值，例如利用时间依赖、图结构或半监督学习，为不同场景提供了多种选择。
评估与可解释性并重
文章不仅关注插补精度，还强调可解释的不确定性估计和模型可解释性。例如，深度顺序潜变量模型提供不确定性估计，增强Transformer通过归纳偏置提高可解释性。这表明在实际应用中，除了追求低误差，还需考虑模型决策的透明度和可靠性。
Q&A
多变量时间序列缺失值插补有哪些深度学习方法？
文章综述了多种深度学习方法，包括深度潜变量模型、概率分类框架、半监督ST-Impute、时间依赖迭代插补TDI、增强Transformer、GRU-D以及图神经网络GRIN等。
为什么没有一种插补方法在所有数据集上表现最佳？
因为插补表现取决于数据类型、变量统计、缺失率和缺失类型，不同数据集特性不同，因此没有单一方法能普遍最优。
ST-Impute方法有什么特点？
ST-Impute是一种半监督时间序列插值方法，基于稀疏自注意力模型，结合上下游任务的标签数据和无标签数据，在插值质量和下游任务结果上优于现有的监督和非监督方法。
GRU-D模型如何处理时间序列中的缺失值？
GRU-D是一种基于GRU的深度学习模型，它利用缺失模式中的缺失值及其时间间隔，捕获长期时间依赖关系，从而提高时间序列分类任务的预测性能。
图神经网络在时间序列插补中有什么应用？
文章提到GRIN使用图神经网络架构处理多变量时间序列缺失值，通过信息传递学习时空表示来修复缺失数据，在真实基准测试中平均绝对误差改善超过20%。
增强Transformer在时间序列插补中做了哪些改进？
增强Transformer在传统Transformer基础上添加了三项知识驱动的增强：投影时间注意力、全局自适应图卷积和Fourier插补损失，利用不完整时间序列的内在结构，适用于多种插补问题。
