Восстановление пропусков в многомерных временных рядах методами математической статистики и машинного обучения

Объектом исследования являются многомерные временные ряды геофизических параметров. В ходе работы применялись методы статистики и машинного обучения для восстановления пропусков в данных. Были достигнуты следующие результаты: для ряда концентрации $CO_2$ на высоте 30 метров модель ARIMAX показала наименьшие значения метрик RMSE и MAE, затратив всего 2.3 секунды на восстановление, что значительно быстрее по сравнению с моделями нейронных сетей LSTM (251 сек.) и GRU (160 сек.). Восстановление данных температуры воздуха наиболее эффективно выполнено с использованием рекуррентной нейронной сети GRU. Результаты показывают, что модели семейства ARIMA являются более подходящими для восстановления данных при наличии коррелированных параметров, тогда как в других случаях следует отдавать предпочтение моделям на основе нейронных сетей GRU. Выводы могут быть использованы для улучшения методик восстановления данных в многомерных временных рядах.