Detecting and Imputing Hidden Missing Values in Time Series Data : Case study: Alfa Laval
Notice bibliographique
Résumé
Although identifying missing values in regular time series is trivial,detecting them becomes a challenge with irregular timestamps. Toreduce the storage, our partner, Alfa Laval, uses an engineering trickto store measurements in time series databases only when their valuechanges. This solution, despite solving storage problems, can createproblems in data analysis. It also complicates the identification ofmissing values. We address two problems: identifying hidden missing values fromirregular time series and developing effective imputation techniquesfor them. We use a rule-based approach to locate hidden missing val-ues tailored to the Alfa Laval dataset. Once we have identified the po-sition of hidden missing values, imputing them becomes the greaterchallenge, particularly when missing gaps are long. Our experimentsshow that while Linear Interpolation often outperforms LSTM andARIMA, it only creates a straight line between two points, failing tocapture the shape of the missing data. Consequently, in long-termgaps, we miss lots of informative fluctuations. To address these limitations, we employ a pattern-based similar-ity search method, which effectively captures the value and shape oftime series data for more accurate imputation. This thesis presentsour novel approach, which we validate on a subset of Alfa Laval’ssensor data and three additional external datasets, demonstrating itsgeneralizability and effectiveness. While the rule-based identificationtechnique is particularly relevant to Alfa Laval’s data, our imputationtechnique serves as a general solution for time series imputation
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».