魔都小妹搞时序数据这块的朋友，应该都有过被缺失值和异常值折磨的经历。尤其是传感器采集的连续数据，一旦出现一段长时间的“空洞”或者某个瞬间的“毛刺”，后面所有基于它的统计特征、模型输入全部跟着失真。我这次要分享的是一个我近期搭完的模型，用 K均值聚类 + KNN-LSTM-RF数据填补 做时序数据清洗，整体在Matlab下实现，效果比我之前单独用插值或者单一ML模型要稳很多。这篇文章会把模型怎么设计、为什么这么搭配、关键代码怎么落地、调试中踩了哪些坑都讲清楚，适合正在做时序数据预处理、论文实验或者工业数据治理的读者参考。
为什么选这套组合而不是直接上深度学习？原因很简单，时序数据的“脏”分很多种，有随机缺失、连续缺失、离群异常，还有因为传感器状态切换导致的分布漂移。单一模型很难同时应对这些情况，所以我一开始的定位就不是“一个算法打天下”，而是“多个模型分层协作”。K均值负责捕捉数据的整体结构和状态切换，KNN做局部的快速填补，LSTM负责处理带时间依赖的连续缺失段，RF则作为兜底的异常识别和填补结果校验器。四个算法各管一段，组合起来就是一个完整的清洗流水线。
1. 为什么做这个模型：时序数据清洗的“脏乱差”
1.1 时序数据清洗的场景与痛点
我最早接触数据清洗是在一个工业设备振动信号的项目里。传感器每100毫秒采集一次振动值，一天就是86万个点，其中总会有那么几段因为通信抖动、设备重启、信号干扰出现空洞或者跳变。如果用最简单的线性插值去填，短缺失还好，长缺失段填出来的曲线完全不符合设备的自然振动规律。如果直接丢弃缺失段，又会破坏时序的完整性，导致后续做频域分析时出现频谱泄漏。
痛点其实就三个：第一，缺失不是均匀分布，而是有成段出现的特点，这种连续缺失最不好处理。第二，数据本身有周期性或者状态切换，不同工况下同样位置的传感器数值范围差异很大，用一个全局阈值判断异常完全不靠谱。第三，填补之后的质量怎么评估？如果只追求“填满”，填出来的数据可能引入新的噪声，反而让下游模型变差。这些痛点决定了清洗模型必须具备两种能力：一是能区分出数据的不同状态，二是能结合时间上下文去做填补，而不是孤立地看每个点。
1.2 算法选型：为什么是K均值+KNN-LSTM-RF
我在选型阶段对比过很多方案。纯线性插值不行，因为它只利用了两个最近有效点，缺乏全局信息。用ARIMA或者简单指数平滑可以处理平稳序列，但遇到工况切换、趋势突变就滞后。单一LSTM虽然能学时间依赖，但训练时间长且对异常点敏感，数据里噪声一大，预测结果容易跑偏。
最终决定用K均值聚类来做最前置的分段。K均值可以把整个长序列按相似度切分成不同状态的片段，每个片段内部的特征比较一致，这样后续的填补就在各自的“状态上下文”里进行，而不是混着所有状态去填。KNN负责短缺失段的填补，它的原理是找最相似的K个邻居加权平均，在聚类划分完成之后，邻居搜索的准确性和速度都明显提升。对于长缺失段，KNN找不到足够的相似近邻，就让LSTM上场。LSTM通过训练历史窗口来预测下一个值，天然适配时间序列的递推关系。最后的RF随机森林，一方面对填补后的完整数据做异常值复核，另一方面通过特征重要性反馈给前面的环节做参数微调。
这套组合的逻辑其实有点像流水线质检：先粗分料（K均值），再精细补缺（KNN和LSTM分工），最后复检包装（RF）。每个环节解决一类特定问题，这才是我选择它的核心原因。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 网络设计与协同原理
2.1 K均值聚类：给数据先“划片”
K均值聚类在时序数据里的作用，不是用来分类的，而是用来找“模式片段”的。我用的方法是把原始时间序列分割成固定长度的小窗口，比如每60个点一个窗口，然后对窗口提取特征向量。特征可以简单到直接用原始值序列，也可以做统计特征，比如均值、方差、峰值因子、频谱质心。这一点很关键：如果只用原始值，窗口相位不一致会导致聚类结果乱掉；加一点统计特征之后，相同状态下采集的数据即使起始相位不同，也能被分到同一个簇。
实际操作中，K值的确定不是拍脑袋。我会用轮廓系数（Silhouette Coefficient）结合肘部法则，先在K=2到K=10的范围内跑一遍，看轮廓系数曲线，选择拐点位置。举个我实际跑过的例子，一组包含启停工况的电流时序数据，K=3时轮廓系数最高，对应了“稳定运行”“启动冲击”“停机衰减”三种状态，这个划分结果直接让后续填补误差下降了15%以上。
K均值这部分在Matlab里的实现非常方便，内置的kmeans函数支持多种距离度量，我用的是默认的平方欧氏距离，配合“KMeans++”初始化方法来避免随机种子带来的局部最优问题。需要注意的是，K均值对异常值敏感，所以我在做聚类之前会先用一个简单的3倍中位数绝对偏差（MAD）阈值做一次粗筛，把特别离谱的毛刺先剔除掉，不然聚类中心会被异常点拉偏。
2.2 KNN与LSTM的交替填补策略
KNN和LSTM的职责划分，我总结为一个简单的原则：缺失段长度小于阈值T就交给KNN，大于阈值的交给LSTM。T的值取决于数据的采样频率和自相关长度。对于100毫秒采样的振动数据，T设在20左右；对于逐小时采样的气象数据，T可以放宽到48。
KNN填补的具体做法是：对于缺失位置