深度学习训练有差距的数据集

Question

我有一个数年的传感器（站）数据集，采用这种结构：

station Direction   year    month   day dayOfweek   hour    volume
  1009       3      2015      1      1      5        0        37
  1009       3      2015      1      1      5        1        20
  1009       3      2015      1      1      5        2        24
   ...       .       ..       ..     ..     ..       ..       ..

这个数据中有很多缺口（漏值）。例如，可能会错过一个月或几天。我用0填充丢失的卷。我想根据以前的数据预测卷。我使用了LSTM，平均绝对百分比误差（MAPE）在20左右相当高，我需要减少它

我的主要问题是即使是训练我也有差距。对于这类数据，还有其他的深度学习技术吗

Answer 1

这里（https://machinelearningmastery.com/handle-missing-data-python/）列出了多种处理缺失值的方法

如果我有足够的数据，我将只是ommit行丢失的数据。如果我没有足够的数据和/或必须预测数据缺失的情况，我通常会尝试这两种方法，并选择精度更高的方法

和你一样。我选择了一个不包含在数据集中的不同值，比如在您的案例中的0，并填充该值。另一种方法是使用训练集的平均值或中位数。我在验证集/测试集中使用相同的值（在训练集上计算）。如果平均数在当前情况下没有意义，中位数比平均数好(2014.5年）