来源：期刊VIP网 时间：
作者：高海燕;李唯欣;
单位：兰州财经大学统计与数据科学学院;甘肃省数字经济与社会计算科学重点实验室;
摘要：函数型数据是一类复杂的非线性结构数据,往往以函数(曲线)的形式呈现和储存,但在数据收集过程中不可避免地会出现数据缺失的情况。文章提出了一种基于横截面和纵向信息的函数型多重插补方法(Missforest Combining Gaussian Processes,MFGP)。该方法受集成模型的启发,通过将基于缺失森林模型(MF)的插补与基于高斯过程(GP)的预测相结合,有效整合了函数型数据的横截面信息和纵向信息,进而提高了插补精度。同时,模拟数据插补实验和股票数据实例分析结果表明:在5%～55%的缺失比例下,MFGP的插补效果优于均值插补、Hot.deck、SFI、HFI、MICE、MF和GP这7种插补方法,具有显著的插补优势,且插补得到的数据与原始数据的规律更相符。
关键词：机器学习;;缺失数据;;多重插补;;集成模型
基金资助：国家社会科学基金资助项目（19XTJ002）;; 甘肃省自然科学基金资助项目（23JRRA1186）;; 甘肃省高校青年博士支持项目（2025QB-058）
