Resumen

El número de aplicaciones inteligentes disponibles para entornos de IIoT está creciendo, pero cuando los datos de series temporales en los que estas aplicaciones se basan están incompletos, su rendimiento se ve afectado. Desafortunadamente, los datos incompletos son demasiado frecuentes en el mundo de IIoT. Un método común para resolver esto es utilizar la imputación. Sin embargo, los métodos actuales están principalmente diseñados para reconstruir un único patrón faltante, mientras que un marco de imputación robusto y flexible sería capaz de manejar muchos patrones faltantes diferentes. Por lo tanto, el marco presentado en este estudio, RAEF, es capaz de procesar múltiples patrones faltantes. Basado en un autoencoder recurrente, RAEF cuenta con una nueva estructura de neurona, llamada regulador con compuertas, que reduce el impacto negativo de los diferentes patrones faltantes. En una comparación de los marcos de imputación de series temporales de última generación en una variedad de tasas de datos faltantes, RAEF

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Aplicaciones inteligentes; Entornos IIoT; Datos de series temporales; Datos incompletos; Marco de imputación; RAEF
• Keywords:Intelligent applications; IIoT environments; Time-series data; Incomplete data; Imputation framework; RAEF