em模型补缺失值_处理存在缺失值和非等时间间隔的 RNN 模型

论文题目：Recurrent Neural Networks for Multivariate Time Series with Missing Values （发表在 Scientific reports 2018，被引用160+）

背景

多变量的时间序列广泛存在于各种应用场景。由于种种原因，它们往往不可避免地会携带遗漏的观测结果，这些缺失值或缺失的 pattern 往往能够为一些有监督的学习任务（如分类）提供丰富的信息。

目前已经有些方法能够处理时间序列中缺失值。最简单的方法是忽略掉缺失值，直接在观察到的值上做分析，当缺少率较高时显然效果不好。另一类方法是去填充缺失的值，也叫数据补全。实际中用的比较多的有平滑（smoothing）、插值（interpolation）和样条（spline）等，但是这类方法在补全时不能捕获变量之间的相关性已经复杂的 pattern。其他比较高级的补全方法是去估计缺失值，这类方法包括 spectral analysis, kernel methods, EM algorithm, matrix completion 和 matrix factorization。这些方法可以结合起来利用，降低结果的不确定性。但是，数据补全和下游的任务（如预测）被分离为两个子任务，这样补全的p