时间序列数据在日常生活里随处可见,利用以机器学习为代表的人工智能技术从中挖掘有效信息有着广泛的应用前景,成为了学术界和产业界的热点话题。然而,现实场景中各类不可避免的因素导致时间序列数据存在缺失现象,严重影响了时序数据挖掘的准确性和效率。为有效解决该问题,时间序列缺失数据补全算法的研究引发了学术界与工业界越来越多的关注。在时间序列数据缺失中,整段缺失——一段时间内序列中所有维度的数据全部丢失,是其中一类常见且富有挑战性的情形。数据整段缺失意味着补全过程中将没有任何维度的数据可供参考,使得现有的很多依赖于时间序列各维度数据空间关联关系完成数据补全的算法在此情形下不可行,无疑大大增加了数据补全的难度。针对上述情形,结合本文对真实数据集的观察,本文认为在度量某被观测对象时形成的时间序列数据,不仅体现了被观测对象自身的演化规律,同时也体现了外部事件对该对象带来的影响。因此,我们可以在补全缺失数据时将外部事件以标签形式进行符号化,合理运用这部分信息增强数据补全效果。基于以上思想,本文提出了一种新颖的时间序列建模方法,并在该建模基础上提出了面向带标签时间序列缺失数据的补全算法HKMF-T,更进一步地,本文将包含HKMF-T在内的一系列算法进行封装并实现了一个基于时间序列数据库InfluxDB的数据补全工具。总结来说,本文贡献主要包括以下几点:●本文提出了一种外部标签信息增强的时间序列数据建模方法,该模型综合了时间序列数据内部变化特性(即,演化趋势)和标签指示的外部影响特性(即,外部影响),并为相应特征制定了符合物理观察的约束条件,为后期补全奠定了理论基础;●本文基于上述模型,提出了一个Hankel矩阵分解数据补全算法HKMF-T,算法利用时间序列中的已有观测值及标签信息共同学习演化趋势、外部影响两部分的值,从而完成对缺失数据的估计。并且,本文在多个真实数据集上进行了实验验证,实验结果表明HKMF-T算法取得了较其他对比算法而言更高的补全准确性;●本文对包含HKMF-T在内的一系列时间序列缺失数据补全算法进行了封装,设计并实现了一个基于时间序列数据库InfluxDB的缺失数据补全工具,工具在带标签时间序列数据上展现出了较好的数据补全效果,具有较好的实用性。