计算机研究与发展

作者：周立,吴洋洋,苗晓晔,

关键词：深度学习, 大模型, 时间序列, 不完整数据补全, 数据治理,

时序数据广泛存在于工业、金融、交通、气象及医疗等领域，具有重要的分析应用价值.然而由于人为或偶发因素导致的缺失，时序数据的完整性经常遭到破坏，进而削弱基于其开展的分析与决策的准确性和可靠性.不完整时序数据通常包含复杂的时序依赖和变量间关系，为缺失值的有效补全带来较大挑战.深度学习方法具有强大的建模能力，是应对该挑战的有效技术，并日益成为研究热点.故系统综述基于深度学习的不完整时序数据补全方法的研究现状，首先介绍其相关概念和定义，进而对现有方法进行分类，归纳各类代表性方法的核心思想与特点.随后整理常用的开源数据集与评价指标，并设计全面系统的实验方案.实验从缺失场景、缺失率、变量数量、序列长度以及对下游任务的提升效果等多个角度，评估10种主流深度学习方法的补全质量与效率，最终总结实验结果并依据场景推荐合适的补全方法.最后，结合当前研究进展对该领域的未来发展趋势进行展望，并总结全文.

来源：2025年第9期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2025年第9期