А.В. Гуляев1, С.В. Пивнева2
1, 2 РГСУ (Москва, Россия)

1 Gulyaev81@gmail.com

Постановка проблемы. Проблема пропусков в данных представляет собой одну из ключевых и критически значимых задач в контексте анализа временных рядов, поскольку наличие пропущенных значений может существенно и негативно сказываться на достоверности и точности моделей, а также на адекватности прогнозирования. Исследования показывают, что игнорирование пропущенных данных или неадекватные методы их заполнения могут приводить к искажениям результатов, что в конечном счете отражается на успешности и надежности прогнозных моделей и аналитических выводов. Поэтому разработка и применение эффективных методов обработки пропусков является важной задачей для обеспечения высокого качества и точности моделирования временных рядов.

Цель. Создать и апробировать на реальных данных модель многослойной двунаправленной нейронной сети для заполнения пропусков во временных рядах.

Результаты. Проведен анализ возможностей применения сложной архитектуры двунаправленной многослойной нейронной сети для решения задачи заполнения пропусков в данных временных рядов. Предложен метод, основанный на использовании архитектуры двунаправленных управляемых рекуррентных блоков, который позволяет эффективно заполнять отсутствующие значения, учитывая двусторонний контекст временного ряда. Для оценки эффективности предложенной модели проведены эксперименты на различных наборах данных, включая как синтетические, так и реальные временные ряды. Показано, что предложенный подход превосходит традиционные методы заполнения пропусков.

Практическая значимость. Применение двунаправленной нейросетевой модели предоставляет мощный инструмент для предварительной обработки временных данных, что открывает новые возможности для дальнейшего анализа и моделирования временных рядов.

Гуляев А.В., Пивнева С.В. Применение двунаправленной многослойной нейронной сети для восстановления пропусков во временных рядах // Нейрокомпьютеры: разработка, применение. 2025. Т. 27. № 2. С. 54–61. DOI: https://doi.org/10.18127/ j19998554-202502-06

1. Гуляев А.В., Пивнева С.В. Анализ существующих регрессионных, авторегрессионных моделей, моделей экспоненциального сглаживания. Их применение к прогнозированию покупательского спроса продуктов питания, характеристики, особенности, достоинства и недостатки // Сб. науч. трудов Всеросс. науч.-технич. конф. «Наука. Производство. Образование». М.: Российский государственный социальный университет. 2023. С. 41–51.
2. Кузнецов Р.С., Тумарова Т.Г., Пилипенко С.В. Прогнозирование котировок акций китайской компании Nio с использованием двунаправленных LSTM нейронных сетей // Экономика. Право. Инновации. 2023. № 4. С. 92–101. DOI: 10.17586/2713-1874-2023-4-92-101.
3. Тронов К.А., Федоров В.О. Рекуррентные нейронные сети с управляемыми рекуррентными блоками для многомерных временных рядов с пропущенными значениями // Оригинальные исследования. 2022. Т. 12. № 12. С. 352–359.
4. Rachit Adhvaryu K.S. Review paper on enhancing COVID-19 fake news detection with transformer model // International Journal on Recent and Innovation Trends in Computing and Communication. 2023. V. 11. № 9. P. 813–824. DOI 10.17762/ijritcc.v11i9.8971.
5. Balti H., Ben Abbes A., Farah I.R. A Bi-GRU-based encoder–decoder framework for multivariate time series forecasting // Soft Computing – A Fusion of Foundations, Methodologies and Applications. 2024. V. 28. P. 6775–6786. DOI: 10.1007/s00500-023-09531-9.
6. Чен Х., Игнатьева С., Богуш Р., Абламейко С. Выбор функции активации в сверточных нейронных сетях при повторной идентификации людей в системах видеонаблюдения // Программирование. 2022. № 5. С. 15–26. DOI: 10.31857/S013234742205003X.
7. Наздрюхин А.С., Федрак А.М., Радеев Н.А. Самонормализующиеся нейронные сети с автоматическим подбором гиперпараметров для классификации табличных данных // Высокопроизводительные вычислительные системы и технологии. 2021. Т. 5. № 1. С. 242–246.
8. Масленникова А.А., Черноруцкий И.Г. Исследование и сравнительный анализ алгоритма Adam в моделях глубокого обучения // Сб. материалов науч.-практич. конф. «Современные технологии в теории и практике программирования». Санкт-Петербург: ФГАОУВО «Санкт-Петербургский политехнический университет Петра Великого». 2021. С. 164–166.
9. Mers M., Yang Zh., Hsieh Yu.An., Tsai Y.Ja. Recurrent neural networks for pavement performance forecasting: Review and model performance comparison // Transportation Research Record. 2023. V. 2677. № 1. P. 610–624. DOI: 10.1177/03611981221100521.
10. Корсакова С.К., Русина Н.В., Бондарик В.М. Прогнозирование временного ряда в Python с помощью метода Хольта-Уин­терса // Сб. науч. статей X Международной научно-практической конференции «BIG DATA и анализ высокого уровня». Минск: Белорусский государственный университет информатики и радиоэлектроники. 2024. С. 438–443.
11. Гродзенский С.Я., Калачева Е.А. Информационные технологии: история развития и становления // Нелинейный мир. 2016. № 5. С. 74–79.
12. Гродзенский С.Я., Еманаков И.В., Овчинников С.А. Методика выявления потерь в производственной системе // Наукоемкие технологии. 2018. Т. 19. № 1. С. 10–13.
13. Гродзенский С.Я. Распределение Вейбулла: история и современность // Нелинейный мир. 2023. Т. 21. № 3. С. 54–65. DOI: 10.18127/j20700970-202303-06.