A Comprehensive Framework Leveraging Predictive Models for Robust Missing Data Handling

doi:10.1142/S0218213026400063

A Comprehensive Framework Leveraging Predictive Models for Robust Missing Data Handling

2026-03-01

0

PRE

AI

DOI：10.1142/S0218213026400063

原文链接

原文求助

摘要

En 中文

缺失数据（MD）是不同领域普遍存在的挑战，其产生原因多样。缺失数据常导致数据集不完整，影响信息处理质量，进而降低决策的可靠性和相关性。尽管现有文献提供了多种解决MD问题的方法，但许多方法仍缺乏准确性，无法有效捕捉数据集中的潜在关联和模式。此外，现有解决方案尚未充分利用人工智能（AI）的最新进展来提升缺失数据处理效果。本文提出了一种综合框架，有效应对缺失数据问题。在所提出的方法中，结构化数据集中的缺失值采用随机森林（RF）算法进行插补，而序列和时间序列数据则通过长短期记忆（LSTM）循环神经网络（RNN）进行处理，该网络可捕捉时序依赖和长期模式。该框架还允许用户定义自定义策略以增强缺失数据处理，用户自定义策略由现有插补技术与所提出的预测模型组合构成。为支持实际应用，该系统已实现为专用软件工具，为不同格式和缺失程度的数据集提供高效灵活的解决方案。在伦敦天气（LWD）和PhysioNet重症监护室（ICU）基准数据集上的实验验证了所提出方法的有效性，显示出较传统方法的显著改进。

Keyword:

Missing data (MD)

data imputation

random forest

LSTM

machine learning (ML)

deep learning (DL)

A Comprehensive Framework Leveraging Predictive Models for Robust Missing Data Handling

摘要

期刊

机构

引用论文