Многомерные данные временных рядов в практических приложениях, таких как здравоохранение, геология и биология, характеризуются множеством пропущенных значений. В прогнозировании временных рядов и других сопутствующих задачах было отмечено, что пропущенные значения и их пропущенные шаблоны часто коррелируют с целевыми метками, также известными как информативное отсутствие. Довольно мало работ посвящено применению отсутствующих шаблонов для эффективного вменения и повышения эффективности прогнозирования. В данной статье предлагается новая модель глубокого обучения, а именно GRU-D. Данная модель основана на Gated Recurrent Unit (GRU), современной рекуррентной нейронной сети и использует два представления отсутствующих паттернов, т. е. маскирование и временной интервал, и эффективно включает их в глубокую архитектуру модели, чтобы не только фиксировать долгосрочные временные зависимости во временных рядах, но также использовать отсутствующие паттерны для достижения лучших результатов прогнозирования.
