ГІБРИДНИЙ НЕЙРО-СИМВОЛЬНИЙ МЕТОД ПРОГРАМНОГО ПРОГНОЗУВАННЯ З ВИКОРИСТАННЯМ ЧИСЛОВИХ РЯДІВ ТА НЕСТРУКТУРОВАНИХ ТЕКСТОВИХ ДАНИХ

Анотація

Програмне прогнозування за допомогою сучасних методів, таких як машинне навчання, глибокі нейронні мережі тощо, критично залежить від якості вхідних даних, їх структурованості та динаміки змін. Тому особливої уваги заслуговують методи аналізу, обробки та побудови моделі даних бази знань. Від зазначених процесів залежить вибір методу прогнозування та подальші дії щодо уточнення прогнозу та інтерпретації отриманих прогнозних результатів. Такий підхід має певні труднощі в програмній реалізації, які пов’язані з тим, що реальні дані мають пропуски, інформаційний шум, зайві дані тощо. Аналіз, обробка та побудова моделі даних потребують додаткової експертної оцінки, особливо за наявності прихованих факторів впливу, які не фіксуються в явному вигляді. У статті представлено програмний гібридний метод, який реалізує нейро-символьну інтеграцію числових даних з неструктурованою текстовою інформацією, яка має певні експертні дані, для уточнення прогнозу. Запропонований підхід розглядає неструктуровану текстову інформацію, яка містить експертні знання, як засіб компенсації помилки базової моделі прогнозування. Метод використовує цифровий адаптивний механізм шлюзування, який ініціює пошук експертної інформації виключно тоді, коли оцінка прогностичної невизначеності вказує на критичний брак релевантних числових патернів, що дозволяє системі автономно визначати необхідність звернення до бази знань. Окрім того, програмний гібридний метод дозволяє перетворити знайдену текстову неструктуровану інформацію на формалізовані експертні дані, які доповнюють модель вхідних даних, що дозволяє уточнювати прогноз у випадку нерелевантних або неповних вхідних даних, що спрямовано на підвищення точності прогнозування та забезпечення інтерпретованості результатів.