GAN-RNN_时间序列插补：用于估算时间序列数据的递归GAN。在Kaggle的Wikipedia...

简介：
本研究提出了一种基于递归神经网络与生成对抗网络（GAN-RNN）的时间序列插补方法，专为处理缺失值而设计，尤其适用于如Kaggle Wikipedia这类大规模复杂时间序列数据集上的应用。通过创新性地结合GAN的强大学习能力和RNN的记忆特性，该模型能够有效捕捉并预测时间序列的趋势和模式，从而实现高精度的数据估算与恢复，显著提升下游任务性能。 该项目的目标是通过实现多种配置的递归卷积Seq2seq神经网络来插补时间序列数据中的缺失值。提供了三种模型：循环卷积seq2seq模型；基于相同架构的GAN（生成对抗网络），其中训练了一个Imputer，使其能够欺骗试图区分真实和推算时间序列的对抗网络；以及一种部分对抗性模型，在这种模型中，先前两种损失结构都结合在一个模型内：Imputer模型需要减少真实的误差损失，并同时尝试欺骗鉴别器。这些模型在TensorFlow 2中实现并使用数据集进行训练。 文件config.yaml包含了用于数据预处理、培训和测试的配置参数。管道main_processing.py启动了数据预处理流程，其结果是以.npy（numpy）格式存储于/da中的准备好供训练的数据集。