Evaluation of Imputation Models Based on the Enhancement to Yield Forecasting
Notice bibliographique
Résumé
Market price and yield forecasting models for Fresh Produce (FP) are crucial to protect retailers and consumers from overpriced FP. However, utilizing the data for forecasting is obstructed by the occurrence of missing values. Therefore, it is imperative to impute the encountered missing instances to enable effective forecasting. Most of the work found in literature tackles imputation of missing values when they are randomly scattered in the dataset while very little work is found tackling both: consecutive occurrence of missing data, i.e. missing data chunks, as well as those randomly missing. In this work, the data used for forecasting has missing values in chunks as well as at random points. Therefore, various comprehensive imputation models are used to impute both random as well as chunks of missing values. Since the imputed time series are incomplete, the only way to evaluate those imputation models is to analyze their effect on forecasting performance. The ensemble of two compound deep learning (DL) models, namely Attention Convolutional Neural Networks Long Short Term Memory (Att-CNN-LSTM) and SeriesNet with Gated Recurrent Unit (GRU), is used for forecasting. For imputation, three DL models are tested: The Ensemble imputation model which is a Voting Regressor of two DL submodels, Residual GRU and LSTM-Deep-GRU. Another deep learning imputation model is used which is a Transfer Learning (TL) model. Finally, a Hybrid model of both DL models is designed to take the pros of each of its integrated models by using the Ensemble model in case of random missing data and the Transfer Learning model in case of missing data chunks. It is observed that, in general, imputing the missing values improves the forecasting result as compared to eliminating the instances with missing values. The Hybrid model improves the overall forecasting performance by up to 60% compared to the case of using the second-best Transfer Learning model and around 64% as compared to the case of imputation using the Ensemble model.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».