如果您需要估算每个缺失值，您可以考虑时间序列的多种估算或插值方法。例如https://stackoverflow.com/questions/49308530/missing-values-in-time-series-in-python

如果目标是简单地预测第 10 阶段的进入时间而不担心他们何时到达中间阶段，那么您可以将其视为回归问题，即仅预测第 10 阶段的时间。最简单的方法可能是这样 - 就像对待它一样带有一些缺失数据的正常监督学习问题。唯一的额外步骤是您需要在您的训练/测试数据中创建一些缺失以匹配您将评分的数据。

您的训练/测试数据将包含所有记录以及第 10 阶段的完整数据。

在此数据中使用交叉验证或训练/测试拆分来创建预测模型来预测到达 Stg10 的时间。在此数据中，随机删除 Stg1 和 Stg9 之间的数据以模拟评分数据集，但保留 Stg10，因为您需要一个标签来预测。使用基于树的方法，例如随机森林，因为它们可以处理变量之间的依赖关系，并且可以处理缺失的数据。

使用此模型对未标记的数据（即没有 Stg10 信息的地方）进行评分。剩下的问题是未标记数据集中的完整性水平。如果它们被填满 Stg9，你就没有问题。如果他们都去 Stg1 你有问题！所以你必须看看你的数据是否有足够的完整性来支持这种方法。

但这是一个有效的起点，并且可能足以满足您的目的..

如果我理解您的问题，您可以将问题表述为缺少输入的分类任务
当某些输入可能丢失时，学习算法必须学习一组函数，而不是提供单个分类函数。每个函数对应于对 x 进行分类，其中缺少其输入的不同子集。“但我们只需要学习一个描述所有这些联合概率分布的函数”。

或者您可以将其表述为缺失值
的插补给算法一个新示例 x 但缺少 x 的一些条目。该算法必须提供对缺失条目值的预测。

最简单的解决方案是构建 10 个模型，每个阶段一个。它将使您能够为每个阶段使用不同的功能甚至不同的算法。

我有同样的问题。您可以使用聚合函数。例如使用 Max、Min、Avg、count、std 或一些计算，如直线的斜率。然后就和舞台没有关系了。

这个对我有用。