Прогнозирование временных рядов системой мета-обучения при неполной мета-информации

Abstract

Актуальность работы обусловлена необходимостью восстановления неполных значений в мета-базе, обеспечивающей работу системы мета-обучения. Целью исследования является восстановление пропусков в мета-базе различными методами с последующим сравнительным анализом их качества. В результате исследования проведена классификация известных методов обработки и восстановления пропущенных значений. Разработан алгоритм заполнения пропусков в мета-базе. На основе метода Монте-Карло произведена оценка эффективности заполнения пропущенных значений.

The relevance of the work is caused by necessity of gaps filling in meta-base, which uses for meta-learning system. he main aim of the study is to fill gaps in meta-base by different methods with analysys of it's quality. Results: Classification of known methods for processing and restoring missing values. Gaps filling algoritm in meta-base was developed. The efficiency of gaps filling was estimated by the Monte Carlo method.