Optimizing online time-series data imputation through case-based reasoning
| Autor: | Josep Pascual-Pañach, Miquel Sànchez-Marrè, Miquel Àngel Cugueró-Escofet |
|---|---|
| Přispěvatelé: | Universitat Politècnica de Catalunya. Doctorat en Intel·ligència Artificial, Universitat Politècnica de Catalunya. Departament de Ciències de la Computació, Universitat Politècnica de Catalunya. Departament d'Enginyeria de Sistemes, Automàtica i Informàtica Industrial, Universitat Politècnica de Catalunya. SIC - Sistemes Intel·ligents de Control, Universitat Politècnica de Catalunya. KEMLG - Grup d'Enginyeria del Coneixement i Aprenentatge Automàtic |
| Jazyk: | angličtina |
| Rok vydání: | 2022 |
| Předmět: |
Optimization
Informàtica::Intel·ligència artificial::Aprenentatge automàtic [Àrees temàtiques de la UPC] Case-based reasoning Online data imputation Sistemes d'ajuda a la decisió Machine learning Raonament basat en casos Time-series Decision support systems Intelligent decision support Aprenentage automàtic |
| Popis: | When working with Intelligent Decision Support Systems (IDSS), data quality could compromise decisions and therefore, an undesirable behaviour of the supported system. In this paper, a novel methodology for time-series online data imputation is proposed. A Case-Based Reasoning (CBR) system is used to provide such imputation approach. The CBR principle (i.e., solving the current problem using past solutions to similar problems) may be applied to data imputation, using values from similar past situations to replace incorrect or missing values. To improve the performance of the data imputation process, optimal case feature weights are obtained using genetic algorithms (GA). The proposed methodology is validated with data obtained from a real Waste Water Treatment Plant (WWTP) process. |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|