Как справиться с большими пробелами в недостающих данных при прогнозировании временных рядов (например, данные только за ⇐ Python

[Anonymous]

Я работаю с набором данных временных рядов, который отслеживает ежемесячные расходы в течение нескольких лет. Однако у меня возникает серьезная проблема с пропущенными значениями: в некоторые годы у меня есть данные только за 1-2 месяца, а остальные месяцы полностью отсутствуют.
Вот простой пример. :



< th style="text-align: left;">Год
Месяц
Расходы




2020
1
50


2020
2
60


2020
3–12null


2021
1
null


2021
2
80


2021
3–12
null



Как видите, не хватает многих месяцев, причем пробелы довольно большие (почти 10 месяцев в году не хватает). Моя цель — спрогнозировать ежемесячные расходы на будущее, но из-за больших пробелов в данных сложно точно смоделировать временной ряд.
Вопросы:
Как мне справиться с такими большими пробелами в данных временных рядов? Каковы наилучшие методы вменения или управления пропущенными значениями, когда отсутствует почти целый год?
Какие модели или методы (например, ARIMA, Prophet, модели машинного обучения) могут справиться с такими большими пропущенными значениями? пробелы в данных временных рядов для прогнозирования будущих ежемесячных значений? Существуют ли специальные методы, предназначенные для работы с длинными интервалами недостающих данных?
Следует ли мне использовать методы вменения (например, линейную интерполяцию, фильтры Калмана или другие методы) для заполнения пропущенных значений перед прогнозированием? или существуют модели прогнозирования, которые могут самостоятельно обрабатывать большие пробелы?
Будем признательны за любую помощь или рекомендации, особенно в случаях, когда недостающие данные настолько обширны, что традиционные методы интерполяции могут оказаться невозможными. уместно.

Подробнее здесь: https://stackoverflow.com/questions/790 ... g-e-g-only