Python 有缺口的数据集的深度学习训练

我有一个传感器（站）的数据集，使用这种结构已经有好几年了：

station Direction   year    month   day dayOfweek   hour    volume
  1009       3      2015      1      1      5        0        37
  1009       3      2015      1      1      5        1        20
  1009       3      2015      1      1      5        2        24
   ...       .       ..       ..     ..     ..       ..       ..

该数据中存在大量缺口（遗漏值）。例如，可能会错过一个月或几天。我用0填充丢失的卷。我想根据以前的数据预测销量。我使用了LSTM，平均绝对百分比误差（MAPE）在20左右相当高，我需要减少它

---

我的主要问题是，即使是训练我也有差距。对于这类数据，在深度学习中还有其他技术吗？

这里列出了多种处理缺失值的方法（）

如果我有足够的数据，我将只删除缺少数据的行。如果我没有足够的数据和/或必须预测数据缺失的情况，我通常会尝试这两种方法，并选择精度较高的方法

和你一样。我选择一个不包含在数据集中的不同值，如您案例中的0，并填充该值。另一种方法是使用训练集的平均值或中位数。我在验证集/测试集中使用相同的值（在训练集上计算）。如果平均值在当前上下文中没有意义，则中位数优于平均值。（以2014.5年为例）