基于ImputeTS的多变量时间序列预测

Question

有什么方法可以用imputeTS来预测多个回归变量的时间序列吗？我的所有X(x1，x2，. )都是用NAs表示的一分钟级数据。xn)是不带NAs的连续变量ae。

DateTime        Processed   Avg     1_Q   Median    3_Q

04/01/20 3:22       3       1.8      1      2       2.5
04/01/20 3:23       3       1.6      1      1       2
04/01/20 3:24       1       1.5      1      1       2
04/01/20 3:25       1       1.2      1      1       1
04/01/20 3:28       1       1.1      1      1       1
04/01/20 3:29       1       1.7      1      1.5     2.8
04/01/20 3:32       1       1.6      1      1       2
04/01/20 3:33       2       1.4      1      1       2
04/01/20 3:35       1       1.4      1      1       1.8
04/01/20 3:38               1.4      1      1       2
04/01/20 3:39       2       1.4      1      1       2
04/01/20 3:41               1.2      1      1       2
04/01/20 3:42               1.2      1      1       1.8
04/01/20 3:44       1       1.3      1      1       2
04/01/20 3:45       1       1.2      1      1       1
04/01/20 3:46       1       1.6      1      2       2
04/01/20 3:47       1       1.8      1      2       2
04/01/20 3:48               1.2      -      1       2
04/01/20 3:52               1.3      1      1       1.3
04/01/20 3:53       2       1.9      1      2       2
04/01/20 3:54       1       0.9      1      1       1
04/01/20 3:56       1       1.3      1      1       1
04/01/20 3:57       2       1.1      1      1       1

一个完整的数据集可以找到这里

Answer 1

imputeTS用于时间序列计算(在时间上使用一个变量的相关性)。

在您的例子中，在其他变量中有很多有用的信息(变量间的相关性)。imputeTS进行单变量时间序列计算，因此它只考虑每个变量及其在时间上的相关性。

由于变量Avg、1_Q、Median、3_Q似乎与Processed高度相关(您丢失的数据所在)，所以另一个包可能是更好的选择。missForest、imputeR和其他采用变量相关性(但不采用时间相关性)的软件包将是一个更好的选择。

也许，如果您为丢失的数据提出自己的估算例程，您将得到更好的结果。缺少的数据似乎总是在Processed和Avg中，Median，3_Q似乎是关于Processed的统计数据。例如，将Avg舍入到最近的数字作为Processed的替代品可能已经相当不错了。