python - 处理 RNN/LSTM(时间序列)中的缺失数据

正如标题所暗示的，我有一个时间序列数据集，但有很多缺失的数据。处理 LSTM 模型的最佳方法是什么？

为了提供更多详细信息，我有大约五个数据源来创建数据集，其中一些不允许我获取历史数据，因此我对该源中的功能遗漏了很多。我可以使用最近观察到的样本填写一些内容，但在大多数情况下这是不可能的。

我看到的一些建议是:

隐马尔可夫建模

期望最大化

使用神经网络预测缺失值

但无论如何，我觉得我将失去很多数据完整性。这通常是如何处理的/在 LSTM 模型中对此进行调整的最佳方法是什么？

我正在使用 Python/Keras/TensorFlow。

最佳答案

也许模型顶层的 masking 会有所帮助。

关于python - 处理 RNN/LSTM(时间序列)中的缺失数据，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/43680456/