Análisis de técnicas de aprendizaje automático para la imputación de series temporales

Abstract

Actualmente, el volumen de datos que se procesa está incrementándose de forma continua. Por este motivo, existe una necesidad de incrementar la calidad de los mismos. En concreto, la falta de datos debido a errores en el funcionamiento de los dispositivos o problemas durante el proceso de recogida de la información, puede degradar la calidad de la información. En las estaciones pluviométricas tienden a tener una proporción de datos perdidos que, en algunos casos puede ser relativamente elevada. Por tanto, el proceso de la imputación de datos, que permite completar los registros perdidos permitiría una mejor explotación de la información.

En este estudio, se exponen a un proceso de perturbación los datos diarios de estaciones pluviométricas que cubren un periodo de 22 años. Así, se evalúa la precisión de varios métodos de imputación como son Media/Moda, k-Vecinos más cercanos, Multiple Imputation by Chained Equations o los métodos basados en Autoencoders. Además, se tienen en cuenta diversas tasas de pérdida, desde un 10% a un 80% para poder simular distintos escenarios en el cual las estaciones pueden presentar varias tasas de pérdida. Se propone un análisis exhaustivo en el que se contemplan diferentes métodos, tasas de pérdida y métricas de evaluación.

Los resultados obtenidos demuestran que el uso de las técnicas de imputación mejora la calidad de los datos. En concreto, los métodos basados en aprendizaje automático consiguen unos resultados robustos incluso en escenarios con una alta tasa de pérdida. Métodos basados en Autoencoders, SoftImpute o Multiple Imputation by Chained Equations alcanzaron un error medio absoluto cercanos a 1mm para la variable de precipitación diaria. Por tanto, el uso de modelos de aprendizaje automático suponen una alternativa para la imputación de datos pluviométricos, mejorando la calidad de los mismos y facilitando el proceso de toma de decisiones. En casos de altas tasas de pérdida, los modelos de aprendizaje profundo, DAE y VAE, mostraron un rendimiento superior y más estable que el resto de métodos de aprendizaje automático