摘要
多变量时间序列数据中普遍存在缺失值，这严重制约了其高级分析的开展。现有的填补方法主要包括删除法、统计填补法、基于机器学习的填补法以及生成式填补法。然而，这些方法要么无法有效利用时间序列中的时序信息，要么采用多阶段处理流程，导致效率低下且难以端到端优化。为此，本文提出一种端到端的生成式模型——E2GAN，用于多变量时间序列中缺失值的填补。该模型通过判别损失（discriminative loss）与平方误差损失（squared error loss）的联合优化，能够在单一阶段内，基于最近生成的完整时间序列对不完整序列进行精准填补。在多个真实世界数据集上的实验结果表明，所提方法在填补精度方面显著优于现有基线模型，并在下游分类与回归任务中达到了当前最优（state-of-the-art）性能。此外，相较于多阶段方法，E2GAN在神经网络训练过程中展现出更优的时间效率。