SEMS=NANSEM(X,[DIM]); 沿dim 指定的维度计算任何矩阵X 的均值的均值、标准差和标准误差。

介绍了浮动车数据(FCD)的基本概念,给出了浮动车数据预处理及与地图匹配的基本流程。在对浮动车数据在路网中覆盖率分析的基础上,当路网中浮动车数据出现缺失时,利用海量的路况历史数据库,提出基于路段空间关系的道路速度多元线性回归推估模型,并推出了按周天分类的模型系数。根据实测检验结果,得到了该方法速度误差的分布概率和状态误差的分布概率,并以此分析了结合空间关系的多元线性回归模型的适用性和可靠性。最后以上海城区为例,给出了基于该方法完整的道路速度的推估与路况发布实例。

通过python，将数据中的缺失数据情况用图表显示。该资料数据来源于能源领域。通过帮助文档可以快速使用函数。

S-para S3P文件

datax数据从hive表导入mysql表,数据缺失解决

行业分类-设备装置-基于支持向量机和RBF神经网络的退化数据缺失插补方法.zip

关于介绍数据缺失的算法的书，《缺失数据》作者：（美）阿利森 ，供需要的下载

DataFountain-海上风场SCADA数据缺失智能修复 提供33个风场，每个风场68个变量在一个月内的数据，部分数据被人为剔除，要求使用剩余数据对缺失数据进行修复。 我们方案在线上比赛的ab榜最终成绩都是第三; 可惜线下答辩比较糟糕，替代晋级，根据比赛评分规则，一切都看线下答辩评委委的评分： 评分规则：线上效果分值，40-70分，为避免作品效果与实际评价出入，结合线上赛成绩排名及现场答辩情况，以10分梯度共计5档评分（每个团队有分数段重叠），第一，二名60-70分，第三，四名55-65分，第五，六名50-60分，第七，八名45-55分，第九，十名40-50分，评委可在评分范围内给分。 最终评分就这样，两个4分直接把我们队拖到门外了。 发起方想到想要一些非传统的“特征目标预测”的模型，我们的方案就中规中矩没啥特色，第一第二名的方案比较牛，多研究他们的方案比较有益。 方案总共分为4部分：

主要是通过R语言，对日期数据进行处理，并补全缺失数据 rawdata<- read.csv("C:/Users/li/Desktop/ss.csv",fill=F) #提取数据 ss1,并组合数据------------------------------- ts1<-rawdata$ts1 ts11<-as.Date(ts1,'%Y/%m/%d') false<-is.na(ts11) ts21<-ts11[!false] ss1<-rawdata$SS1 ss1<-ss1[!false] library(zoo) data1<-zoo(ss1,ts21) #补全不规则数据(时间的缺失和缺失值) date1<-zoo(,seq(start(data1),end(data1),'day')) datanew1<-merge(data1,date1) datanew1[is.na(datanew1)]<-median(datanew1,na.rm = T) #提取数据 ss2

此论文是ICML2018的一篇缺失值填补的论文，论文中采用生成对抗网络（GAN）来填补。