一种基于因果扩散模型的多变量时间序列补全方法

本发明公开一种基于因果扩散模型的多变量时间序列补全方法，采用了一种将时间序列视为非线性噪声方程的范式。通过利用变分下界最大化，它能够有效揭示数据中嵌入的因果结构。然后，将学习到的因果注意力特征将作为先验知识与扩散网络相结合，以填充缺失的数据。因果特征有助于确定影响数据分布的关键决定因素。它们还减轻了混杂因素引起的虚假关联的不利影响。此外，选择在生成模型中有准确性优势的扩散模型，有效地解决了在其他生成网络模型中观察到的崩溃和低精度等问题。本发明在物联网领域的三个数据集，与其他七种基线方法进行了比较评估，结果显示，在数据插补任务中，与最先进的方法相比，其性能优越，在数据缺失这一问题上可以发挥作用。