ผลกระทบของขนาดหน้าต่างข้อมูลในการแทนค่าสูญหายข้อมูลอนุกรมเวลาแบบหลายตัวแปร
คำสำคัญ:
การเติมค่าสูญหาย, การเลื่อนหน้าต่างข้อมูล, ข้อมูลหลายตัวแปรบทคัดย่อ
การเก็บข้อมูลที่ไม่ครบถ้วน หรือข้อมูลที่สูญหาย ไม่สามารถนำไปใช้ในการวิเคราะห์ได้อย่างมีประสิทธิภาพ จึงจำเป็นอย่างยิ่งที่ต้องทำการแก้ปัญหาค่าสูญหายก่อนนำไปใช้ ในกระบวนการเติมค่าสูญหายสามารถใช้ข้อมูลที่มีอยู่เพื่อพยากรณ์ค่าสูญหาย โดยเลือกข้อมูลเป็นลักษณะหน้าต่างข้อมูล บทความวิจัยนี้ ศึกษาผลกระทบของการเปลี่ยนขนาดหน้าต่างข้อมูล สำหรับวิธีการเติมค่าสูญหายในข้อมูลอนุกรมเวลาจำนวนมากแบบหลายตัวแปร การวิจัยเน้นที่การค้นหาขนาดหน้าต่างข้อมูลที่เหมาะสมสำหรับใช้ในการสอนตัวแบบการเติมค่าสูญหาย นำข้อมูลเข้าสู่โมเดลการแทนที่ค่าสูญหายด้วยรูปแบบวิธีการทำเหมืองข้อมูล ในการทดสอบกับข้อมูลระดับน้ำเหนือเขื่อนและท้ายเขื่อนจำนวน 12 ตัวแปร วิธีการดำเนินการวิจัยเริ่มจากการสุ่มจำลองค่าสูญหาย สร้างโมเดลทำนายค่าสูญหาย และวัดประสิทธิภาพการจำลองค่าสูญหายโดยเปรียบเทียบขนาดหน้าต่างขนาดต่างๆ ได้แก่ 3 วัน 7 วัน และ 14 วัน ผลวิจัยพบว่า ขนาดหน้าต่างที่เหมาะสม คือ ขนาดหน้าต่างแบบ 14 วัน เมื่อใช้ร่วมกับโมเดลพยากรณ์ให้ประสิทธิภาพในการเติมค่าสูญหายในชุดทดสอบได้ดีที่สุด
เอกสารอ้างอิง
1. Song H, Miao C, Roel W, Shen Z, Catthoor F. “Implementation of Fuzzy Cognitive Maps Based on Fuzzy Neural Network and Application in Prediction of Time Series,” IEEE Trans. Fuzzy Syst., vol. 18, no. 2, 233–250, Apr. 2010.
2. Bai X, Zhang F, Hou J, Xia F, Tolba A, Elashkar E. “Implicit Multi-Feature Learning for Dynamic Time Series Prediction of the Impact of Institutions,” IEEE Access, vol. 5, 16372–16382, 2017.
3. Pratama I, Permanasari AE, Ardiyanto I, Indrayani R. “A review of missing values handling methods on time-series data,” in 2016 International Conference on Information Technology Systems and Innovation (ICITSI), 2016, 1–6.
4. Afrianti YS. “Imputation Algorithm Based on Copula for Missing,” vol. 2014, 252–257.
5. Meesud P, Rothjanawan K. “The Imputation Many Missing Value in Time Series Data Use Multivariate Relationships,” Natl. Conf. Inf. Technol., vol. 2017, no. 9, Nov. 2017.
6. Nogueira BM, Santos TRA, Zarate LE. “Comparison of Classifiers Efficiency on Missing Values Recovering: Application in a Marketing Database with Massive Missing Data,” in 2007 IEEE Symposium on Computational Intelligence and Data Mining, 2007, 66–72.
7. Zhou Y, Yu J, Wang X. “Time Series Prediction Methods for Depth-Averaged Current Velocities of Underwater Gliders,” IEEE Access, vol. 5, 5773–5784, 2017.
8. Wang H, Yang J, Wang Z, Wang Q. “A binary granular algorithm for spatiotemporal meteorological data mining,” in 2015 2nd IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services (ICSDM), 2015, 5–11.
9. Dhargalkar SA, Bapat AU. “Determining missing values in dimension incomplete databases using spatial-temporal correlation techniques,” in 2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies, 2014, 601–606.
10. Shan Y, Deng G. “Kernel PCA regression for missing data estimation in DNA microarray analysis,” in 2009 IEEE International Symposium on Circuits and Systems, 2009, 1477–1480.
11. Li Y, Ngom A, Rueda L. “Missing value imputation methods for gene-sample-time microarray data analysis,” in 2010 IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology, 2010, 1–7.
12. Keerin P, Kurutach W, Boongoen T. “Cluster-based KNN missing value imputation for DNA microarray data,” in 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2012, 445–450.
13. Ichihashi H, Honda K, Notsu A, Yagi T. “Fuzzy c-Means Classifier with Deterministic Initialization and Missing Value Imputation,” in 2007 IEEE Symposium on Foundations of Computational Intelligence, 2007, 214–221.
14. Setiawan NA, Venkatachalam PA, Hani AFM. “Missing Attribute Value Prediction Based on Artificial Neural Network and Rough Set Theory,” in 2008 International Conference on BioMedical Engineering and Informatics, 2008, vol. 1, 306–310.
15. Ku-Mahamud KR, Zakaria N, Katuk N, Shbier M. “Flood Pattern Detection Using Sliding Window Technique,” in 2009 Third Asia International Conference on Modelling Simulation, 2009, 45–50.
16. Doreswamy, Gad I, Manjunatha BR. “Performance evaluation of predictive models for missing data imputation in weather data,” in 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, 1327–1334.
17. Santos CB. dos, Pedroso B, Guimaraes AM, Carvalho DR, Pilatti LA. “Forecasting of Human Development Index of Latin American Countries Through Data Mining Techniques,” IEEE Lat. Am. Trans., vol. 15, no. 9, 1747–1753, 2017.
18. Susanti SP, Azizah FN. “Imputation of missing value using dynamic Bayesian network for multivariate time series data,” in 2017 International Conference on Data and Software Engineering (ICoDSE), 2017, 1–5.
2. Bai X, Zhang F, Hou J, Xia F, Tolba A, Elashkar E. “Implicit Multi-Feature Learning for Dynamic Time Series Prediction of the Impact of Institutions,” IEEE Access, vol. 5, 16372–16382, 2017.
3. Pratama I, Permanasari AE, Ardiyanto I, Indrayani R. “A review of missing values handling methods on time-series data,” in 2016 International Conference on Information Technology Systems and Innovation (ICITSI), 2016, 1–6.
4. Afrianti YS. “Imputation Algorithm Based on Copula for Missing,” vol. 2014, 252–257.
5. Meesud P, Rothjanawan K. “The Imputation Many Missing Value in Time Series Data Use Multivariate Relationships,” Natl. Conf. Inf. Technol., vol. 2017, no. 9, Nov. 2017.
6. Nogueira BM, Santos TRA, Zarate LE. “Comparison of Classifiers Efficiency on Missing Values Recovering: Application in a Marketing Database with Massive Missing Data,” in 2007 IEEE Symposium on Computational Intelligence and Data Mining, 2007, 66–72.
7. Zhou Y, Yu J, Wang X. “Time Series Prediction Methods for Depth-Averaged Current Velocities of Underwater Gliders,” IEEE Access, vol. 5, 5773–5784, 2017.
8. Wang H, Yang J, Wang Z, Wang Q. “A binary granular algorithm for spatiotemporal meteorological data mining,” in 2015 2nd IEEE International Conference on Spatial Data Mining and Geographical Knowledge Services (ICSDM), 2015, 5–11.
9. Dhargalkar SA, Bapat AU. “Determining missing values in dimension incomplete databases using spatial-temporal correlation techniques,” in 2014 IEEE International Conference on Advanced Communications, Control and Computing Technologies, 2014, 601–606.
10. Shan Y, Deng G. “Kernel PCA regression for missing data estimation in DNA microarray analysis,” in 2009 IEEE International Symposium on Circuits and Systems, 2009, 1477–1480.
11. Li Y, Ngom A, Rueda L. “Missing value imputation methods for gene-sample-time microarray data analysis,” in 2010 IEEE Symposium on Computational Intelligence in Bioinformatics and Computational Biology, 2010, 1–7.
12. Keerin P, Kurutach W, Boongoen T. “Cluster-based KNN missing value imputation for DNA microarray data,” in 2012 IEEE International Conference on Systems, Man, and Cybernetics (SMC), 2012, 445–450.
13. Ichihashi H, Honda K, Notsu A, Yagi T. “Fuzzy c-Means Classifier with Deterministic Initialization and Missing Value Imputation,” in 2007 IEEE Symposium on Foundations of Computational Intelligence, 2007, 214–221.
14. Setiawan NA, Venkatachalam PA, Hani AFM. “Missing Attribute Value Prediction Based on Artificial Neural Network and Rough Set Theory,” in 2008 International Conference on BioMedical Engineering and Informatics, 2008, vol. 1, 306–310.
15. Ku-Mahamud KR, Zakaria N, Katuk N, Shbier M. “Flood Pattern Detection Using Sliding Window Technique,” in 2009 Third Asia International Conference on Modelling Simulation, 2009, 45–50.
16. Doreswamy, Gad I, Manjunatha BR. “Performance evaluation of predictive models for missing data imputation in weather data,” in 2017 International Conference on Advances in Computing, Communications and Informatics (ICACCI), 2017, 1327–1334.
17. Santos CB. dos, Pedroso B, Guimaraes AM, Carvalho DR, Pilatti LA. “Forecasting of Human Development Index of Latin American Countries Through Data Mining Techniques,” IEEE Lat. Am. Trans., vol. 15, no. 9, 1747–1753, 2017.
18. Susanti SP, Azizah FN. “Imputation of missing value using dynamic Bayesian network for multivariate time series data,” in 2017 International Conference on Data and Software Engineering (ICoDSE), 2017, 1–5.
