Show simple item record

Comparative analysis of traditional methods and a deep learning approach for multivariate imputation of missing values in the meteorological field

Análisis comparativo de algoritmos tradicionales y un modelo de aprendizaje profundo para la imputación multivariada de valores faltantes en el campo meteorológico

dc.creatorArias-Muñoz, Ana Cristina
dc.creatorCob-García, Susana
dc.creatorCalvo-Valverde, Luis Alexander
dc.date2024-06-28
dc.date.accessioned2026-05-18T21:28:28Z
dc.date.available2026-05-18T21:28:28Z
dc.identifierhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6746
dc.identifier10.18845/tm.v37i3.6746
dc.identifier.urihttps://hdl.handle.net/2238/18184
dc.descriptionClimate observations are the groundwork for several real-world applications such as weather forecasting, climate change monitoring and environmental impact assessments. However, the data is mostly measured and recorded by external devices exposed to numerous variables, causatives of malfunctions and, therefore, missing values. Nowadays, data imputation in the time series field has been researched in depth and a wide variety of methods have been proposed, where traditional classification and regression algorithms predominate, even though there are also deep learning approaches that manage to capture temporal relationships between observations. In this article, a comparative analysis between a classification imputation algorithm, a regression imputation algorithm, and a deep learning imputation model is made: MissForest algorithm, based on random trees; Expectation Maximization with Bootstrap (EMB), the maximum likelihood estimation algorithm; and a proposed deep learning model, based on the Long-Short Term Memory (LSTM) architecture. Data from the Costa Rica meteorological field were used, which consist of multivariate data coming from several weather stations in the same geographical area.en-US
dc.descriptionLas observaciones climáticas son la base para varias aplicaciones del mundo real, como el pronóstico del tiempo, el monitoreo del cambio climático y las evaluaciones de impacto ambiental. Sin embargo, la mayoría de los datos son medidos y registrados por dispositivos externos expuestos a numerosas variables, causantes de mal funcionamiento de los dispositivos y, por lo tanto, de los valores faltantes. En la actualidad, se ha investigado en profundidad la imputación de datos en el campo de las series temporales y se han propuesto una gran variedad de métodos, donde predominan los algoritmos tradicionales de clasificación y regresión, no obstante, también existen enfoques de aprendizaje profundo que logran capturar relaciones temporales entre observaciones. En este artículo se realiza un análisis comparativo entre un algoritmo de clasificación, un algoritmo de regresión y un modelo de aprendizaje profundo: algoritmo MissForest, basado en árboles aleatorios; Expectation Maximization with Bootstrap (EMB), el algoritmo de estimación de máxima verosimilitud; y una propuesta de un modelo de aprendizaje profundo, basado en la arquitectura Long-Short Term Memory (LSTM). Se utilizaron datos del campo meteorológico de Costa Rica, los cuales consisten en datos multivariados provenientes de varias estaciones meteorológicas en una misma zona geográfica.es-ES
dc.formatapplication/pdf
dc.formattext/html
dc.languageeng
dc.languagespa
dc.publisherEditorial Tecnológica de Costa Rica (entidad editora)es-ES
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6746/7081
dc.relationhttps://revistas.tec.ac.cr/index.php/tec_marcha/article/view/6746/7240
dc.rightsDerechos de autor 2024 Revista Tecnología en Marchaes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc-nd/4.0es-ES
dc.sourceTecnología en marcha Journal; 2024: Vol. 37 Núm. 3: Julio-Setiembre 2024en-US
dc.sourceRevista Tecnología en Marcha; 2024: Vol. 37 Núm. 3: Julio-Setiembre 2024es-ES
dc.source2215-3241
dc.source0379-3982
dc.subjectdata imputationen-US
dc.subjectEMBen-US
dc.subjectMissForesten-US
dc.subjectLSTMen-US
dc.subjecttime seriesen-US
dc.subjectimputación de datoses-ES
dc.subjectEMBes-ES
dc.subjectMissForestes-ES
dc.subjectLSTMes-ES
dc.subjectseries de tiempoes-ES
dc.titleComparative analysis of traditional methods and a deep learning approach for multivariate imputation of missing values in the meteorological fielden-US
dc.titleAnálisis comparativo de algoritmos tradicionales y un modelo de aprendizaje profundo para la imputación multivariada de valores faltantes en el campo meteorológicoes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion


Files in this item

FilesSizeFormatView

There are no files associated with this item.

This item appears in the following Collection(s)

Show simple item record