Method for Processing Incomplete Data Using Noisy-Max Nodes in Forecast Modelling

Abstract

У сучасних умовах розвитку інтелектуальних інформаційних систем одним із ключових завдань є побудова моделей, здатних ефективно працювати за наявності неповних, нечітких або невизначених даних. Прогностичне моделювання часто стикається з проблемою відсутності повної інформації про об’єкти чи процеси, що ускладнює побудову надійних аналітичних висновків. Традиційні статистичні методи у таких випадках демонструють обмежену гнучкість, тоді як імовірнісні підходи, зокрема баєсівські мережі, дають змогу враховувати невизначеність і часткову інформованість. Особливе місце серед інструментів баєсівського моделювання займають вузли типу Noisy-MAX, які дають змогу компактно відображати залежності між множиною причин та одним наслідком у багатозначних дискретних системах. Використання таких вузлів дає змогу істотно зменшити обчислювальну складність моделей і забезпечити стійкість до пропусків у даних. Це робить такий підхід особливо актуальним для задач медичного діагностування, прогнозування технічних відмов, оцінки ризиків у фінансових та екологічних системах. У роботі розглянуто послідовність обробки неповних даних під час прогностичного моделювання з використанням вузлів типу Noisy-MAX, який підвищує точність і надійність прогнозів за умов невизначеності вхідної інформації. Для досягнення цієї мети розглянуто основні принципи побудови таких вузлів, алгоритми оновлення ймовірностей та практичні аспекти їх застосування у задачах прогнозування.In the context of developing modern intelligent information systems, one of the key tasks is to build models that can effectively work with incomplete, fuzzy or uncertain data. Predictive modelling often faces the problem of the lack of complete information about objects or processes, which complicates the establishment of reliable analytical conclusions. In such cases, traditional statistical methods demonstrate limited flexibility, while probabilistic approaches, particularly Bayesian networks, allow taking into account uncertainty and partial information. A special place among Bayesian modelling tools is occupied by nodes of the Noisy-MAX type, which allow compactly displaying the dependencies between a set of causes and a single effect in multi-valued discrete systems. The use of such nodes allows significantly reducing the computational complexity of models and ensuring resistance to data gaps. This makes this approach especially relevant for the tasks of medical diagnostics, forecasting technical failures, and assessing risks in financial and environmental systems. The paper considers the sequence of processing incomplete data in the predictive modelling using Noisy-MAX nodes, which increases the accuracy and reliability of forecasts under conditions of input information uncertainty. To achieve this goal, the basic principles of constructing such nodes, probability updating algorithms, and practical aspects of their application in forecasting problems are considered.