Abstract Missing values widely exist in time-series data owing to sensor or communication failure. It is indispensable to impute the missing data for equipment state monitoring and advanced data analysis. In this study, we propose a deep spatiotemporal time-series missing data imputation model, called LSTM-AEs, to enhance the imputation performance and handle multiple missing patterns. Generally, it is practically challenging to determine when, which, and how many sensors fail. Most previous algorithms cannot handle multiple-sensor missing data owing to insufficient attributes. As different missing patterns require different models and may appear simultaneously, it is inadvisable to employ a large number of models for handling all these patterns. A deep auto-encoder (DAE) can eliminate the diversity of missing patterns by restoring the information from the sensor data. The proposed model combines DAE and LSTM for extracting spatio-temporal features to estimate missing values in multiple time series. Moreover, a smoothing regularization term is added into the combined model, leading to a more stable estimation. Experiments are conducted on three types of sensor data: the Tennessee Eastman process simulation data, gas turbine data from the offshore oil Corporation, and power plant simulation data. The results demonstrate that the proposed technique is effective for different missing patterns and provides more accurate predictions than the existing techniques.

中文翻译：

---

平滑 LSTM-AE：多时间序列缺失插补的时空深度模型

摘要 由于传感器或通信故障，时间序列数据中广泛存在缺失值。对缺失数据进行插补对设备状态监测和高级数据分析是必不可少的。在这项研究中，我们提出了一种称为 LSTM-AE 的深度时空时间序列缺失数据插补模型，以提高插补性能并处理多种缺失模式。通常，确定何时、哪些以及多少传感器发生故障实际上具有挑战性。由于属性不足，大多数以前的算法无法处理多传感器缺失数据。由于不同的缺失模式需要不同的模型并且可能同时出现，因此不建议使用大量模型来处理所有这些模式。深度自动编码器 (DAE) 可以通过从传感器数据中恢复信息来消除丢失模式的多样性。所提出的模型结合了 DAE 和 LSTM，用于提取时空特征以估计多个时间序列中的缺失值。此外，平滑正则化项被添加到组合模型中，导致更稳定的估计。对三种类型的传感器数据进行了实验：田纳西州伊士曼过程模拟数据、来自海上石油公司的燃气轮机数据和电厂模拟数据。结果表明，所提出的技术对于不同的缺失模式是有效的，并且比现有技术提供了更准确的预测。所提出的模型结合了 DAE 和 LSTM，用于提取时空特征以估计多个时间序列中的缺失值。此外，平滑正则化项被添加到组合模型中，导致更稳定的估计。对三种类型的传感器数据进行了实验：田纳西州伊士曼过程模拟数据、来自海上石油公司的燃气轮机数据和电厂模拟数据。结果表明，所提出的技术对于不同的缺失模式是有效的，并且比现有技术提供了更准确的预测。所提出的模型结合了 DAE 和 LSTM，用于提取时空特征以估计多个时间序列中的缺失值。此外，平滑正则化项被添加到组合模型中，导致更稳定的估计。对三种类型的传感器数据进行了实验：田纳西州伊士曼过程模拟数据、来自海上石油公司的燃气轮机数据和电厂模拟数据。结果表明，所提出的技术对于不同的缺失模式是有效的，并且比现有技术提供了更准确的预测。来自海上石油公司的燃气轮机数据和电厂模拟数据。结果表明，所提出的技术对于不同的缺失模式是有效的，并且比现有技术提供了更准确的预测。来自海上石油公司的燃气轮机数据和电厂模拟数据。结果表明，所提出的技术对于不同的缺失模式是有效的，并且比现有技术提供了更准确的预测。