从缺失值中学习：在表示空间编码缺失性以进行 LSTM 时间序列预测

基于摘要分析。本文研究环境监测时间序列中的缺失数据处理，提出 Min-Std：不尝试重建缺失位置的真实数值，而是将缺失值编码为可由 LSTM 识别的特殊输入，使预测模型能够利用缺失模式。 核心机制是使用极端统计哨兵值 min−σ 替换缺失值，并通过 Min-Max 缩放将该哨兵唯一映射至 0。按作者描述，模型输入中的 0 仅表示缺失，从而在原输入通道内形成一致的表示空间缺失编码，而非额外提供缺失指示通道或依赖模型生成插补估计。最小值与标准差的计算范围、缩放参数的拟合范围，以及常量序列或后续观测超出拟合范围时的处理方式，尚未验证。 作者报告，在 28 个环境数据集、6 种变换条件下，与包括 Kalman Smoothing 和 MissForest 在内的 12 种插补方法比较，Min-Std 在 KGE、NMSE 和 F1 Score 所衡量的预测表现上具有优势，并以 Friedman 非参数检验和临界差异排名支持这一结论。作者同时报告数量级上的速度优势，举例为 0.02 秒对超过 500 秒；摘要未提供该计时示例对应的数据规模、硬件和具体对照方法，不能据此推定所有场景的加速幅度。数据划分、缺失生成或采集机制、各指标对应的任务、LSTM 配置、消融及统计信息尚未验证。 平台推测（待验证）：该机制可能用于 EEG 通道内连续缺测或采集故障，检验显式保留缺失模式是否优于重建式插补。可复用部分是哨兵编码与缩放，需适配 EEG 多通道结构，并仅用训练数据拟合统计量。风险包括低信噪比和异常值影响 min−σ、跨被试或跨会话幅值漂移，以及小数据下模型学习到采集故障与标签的偶然关联；缺失编码也不能恢复被删除的神经信息。一个可证伪的小实验是在固定的 Cross-subject EEG 划分下，施加相同的通道内连续缺测，对比 Min-Std、重建式插补和插补加显式缺失掩码，保持预测模型与训练预算一致，检查优势能否跨缺失程度保持。已有 EEG 相关工作尚未检索确认。