随着物联网和传感器技术的发展,现实生活中的大量时序数据,例如股票走势数据、气象观测数据和个人医疗数据等,被监测并记录下来。挖掘时序数据中的隐含信息并对时序数据进行分析具有重大的现实意义,比如股票价格分析和预测、天气预报以及未来健康状况预测等。然而,由于采集设备的不稳定性或者被干扰等原因,采集到的时序数据往往是不完整的,而数据的缺失部分则阻碍了对时序数据的深入分析。因此,缺失值的处理对于后续时序数据的分析变得格外重要。传统的缺失值处理方法包括直接删除法、直接填充统计数据法以及基于机器学习算法的填充法。然而上述缺失值处理方法均没有考虑到时序数据中的时间先后信息,故难以取得准确的填充效果。本文利用时序数据的时间间隔特征,结合生成对抗网络技术,提出了一种基于生成对抗网络的时序数据缺失值填充方法。经过对抗式的训练,该方法能够生成符合原始数据集分布的新时序数据。针对每一条缺失时序数据,本文采用梯度下降算法寻找一个低维特征向量,使得以该低维特征向量为基础的生成样本与原始样本最相似,从而利用生成样本填充时序数据当中的缺失值。为了加快填充时序数据中的缺失值,本文进一步提出了端到端的时序数据缺失值填充方法。该方法充分利用了降噪自编码器的降维能力,自动的为每一条缺失时序数据寻找对应的低维特征向量。结合生成对抗网络技术,能够端到端的自动填充时序数据中的缺失值,具有更高的时间效率。真实数据集下的实验结果表明,本文提出的两种时序数据缺失值填充方法,在填充准确度上显著优于国际主流的填充方法,利用本文方法填充后的数据集也能够显著提高下游分类和回归任务的性能。