论文研究 基于时间序列数据特性的缺失值估计算法.pdf

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。