Recurrent Neural Networks für multivariate Zeitreihen mit fehlenden Werten

Multivariate Zeitreihendaten in praktischen Anwendungen wie Gesundheitswesen, Geowissenschaften und Biologie zeichnen sich durch eine Vielzahl von fehlenden Werten aus. Bei der Vorhersage von Zeitreihen und anderen verwandten Aufgaben wurde festgestellt, dass fehlende Werte und ihre Fehlmuster oft mit den Zielkennzeichnungen korreliert sind, was als informatives Fehlen bekannt ist. Es gibt jedoch sehr wenig Arbeit, die diese Fehlmuster zur effektiven Interpolation und zur Verbesserung der Vorhersageleistung nutzt. In dieser Arbeit entwickeln wir neuartige Deep-Learning-Modelle, nämlich GRU-D, als einen der frühen Versuche. GRU-D basiert auf dem Gated Recurrent Unit (GRU), einem modernen rekurrenten neuronalen Netzwerk. Es verwendet zwei Darstellungen von Fehlmustern, nämlich Maskierung und Zeitspanne, und integriert sie effektiv in eine tiefere Modellarchitektur, sodass es nicht nur die langfristigen zeitlichen Abhängigkeiten in Zeitreihen erfasst, sondern auch die Fehlmuster nutzt, um bessere Vorhersageergebnisse zu erzielen. Experimente zur Klassifizierung von Zeitreihenaufgaben anhand realer klinischer Datensätze (MIMIC-III, PhysioNet) und synthetischer Datensätze zeigen, dass unsere Modelle den aktuellen Stand der Technik erreichen und nützliche Erkenntnisse für ein besseres Verständnis und die Nutzung von fehlenden Werten in der Zeitreihenanalyse liefern.