实际应用中数据经常出现的缺失值将直接影响到数据挖掘算法的准确性,因此如何处理缺失值已成为数据分析领域必须解决的重要问题。目前采用填充算法进行缺失值填充已经成为一个重要的研究方向。所谓缺失填充就是以完全数据集为依据,采用统计学或机器学习算法推断和计算缺失值的过程。最近邻填充算法(kNNI)由于容易实现、计算方便和填充效果好而被广泛应用于实际生产中。但是其近邻的选取具有偏好性和k的确定具有随机性。为了克服kNNI的不足,QENNI算法被提出。DDWQ算法是在QENNI算法的基础上将完全数据集对缺失值的整体影响和象限近邻的影响进行综合考虑而提出的新方法。DDWQ的核心思想是以缺失值为中心,采用壳体包围缺失值的方法,使得每个完全数据都能分布到唯一象限中,将各个象限最近邻的距离和该近邻所在象限的完全数据集密度进行混合加权。它不仅能有效地避免kNNI中近邻选取的偏好性,而且将完全数据整体对缺失值的影响进行综合考虑。在公开数据集上的测试表明算法DDWQ的填充效果要比QENNI好。时间序列类型的数据在现实中是普遍存在的。本文通过DFT变换对时间序列的相似性和周期性进行了研究,并采用DFT距离对时间序列进行基于密度的聚类(DBSCAN)分析。在此基础上提出了基于DDWQ的混合时间序列缺失值填充算法。该算法的核心是将与待填充序列同一类别的序列和其完整周期上的子序列作为DDWQ算法的输入来对时间序列的缺失值进行填充。在模拟数据集上的测试表明,该算法填充准确率有一定提高。