پرکردن داده های گمشده در داده های سری زمانی چندمتغیره

داده های سری زمانی چندمتغیره در زمینه های مختلف مانند بیوانفورماتیک، زیست شناسی، ژنتیک، نجوم، علوم جغرافیایی و امور مالی یافت می شوند. بسیاری از این مجموعه داده ها دارای داده گمشده هستند. جایگذاری داده های گمشده سری زمانی چندمتغیره، یکی از مباحث چالش برانگیز است و قبل از فرایند یادگیری یا پیش بینی سری های زمانی باید با دقت مورد توجه و بررسی قرار گیرد. تحقیقات فراوانی در استفاده از روش های مختلف برای جایگذاری داده های گمشده سری زمانی انجام شده است که به طورمعمول شامل روش های تجزیه و تحلیل و مدل سازی های ساده در کاربردهای خاص و یا سری های زمانی تک متغیره هستند. در این مقاله یک نسخه بهبود یافته از درون یابی معکوس فاصله وزن دار برای جایگذاری داده های گمشده پیشنهاد شده است. روش درون یابی معکوس فاصله وزن دار دو محدودیت اساسی دارد: 1) یافتن بهترین نقاط نزدیک تر به داده های گمشده 2) انتخاب توان تاثیر بهینه برای همسایگان داده گمشده. برای بهبود روش درون یابی، از خوشه بندی k-means استفاده شده است، تا همسایه های با بیشترین شباهت به الگوی داده ای انتخاب شوند. از آنجا که میزان تاثیر هر یک از همسایه ها بر روی داده گمشده متفاوت است، از الگوریتم جستجوی فاخته برای تعیین توان تاثیر همسایگی استفاده می شود. برای ارزیابی عملکرد روش پیشنهادی، از پنج معیار ارزیابی شناخته شده استفاده می شود. نتایج تجربی بر روی چهار مجموعه داده UCI با درصدهای مختلف گمشدگی مورد بررسی قرار گرفته و در مجموع الگوریتم پیشنهادی نسبت به سه روش مقایسه ای دیگر عملکرد بهتر و به طور میانگین حدود 05/0 خطای RMSE، 04/0 خطای MAE، 003/0 خطای MSE و  5 درصد خطای MAPE داشته است. میزان همبستگی داده های واقعی و مقدار برآورد شده در روش پیشنهادی بسیار مطلوب و در حدود 99 درصد است.