Какие методы машинного обучения применить?

...
Это обусловлено многофакторностью, сложностью получения оперативных данных. Имеющиеся же статистические сведения об изменении состояния водной среды по большей части несут локальный или усредненный характер, что не позволяет создать полноценную модель с высокой степенью достоверности значений. [слайд 13] В качестве примера можно привести прогнозы погоды от «гисметео», обещающие яркий солнечный день а в тоже время за окном моросит дождь. При этом возможности сбора необходимой для прогноза погоды информации у «гисметео» несоизмеримо выше чем у подводного объекта. Задача прогнозирования значений характеристик подводной среды в настоящее время требует дополнительных научных исследований и инновационных решений.
[слайд 14] Выполнение задач по восполнению информации о текущем состоянии подводной среды, составлению прогнозов об изменении ее характеристик, а также сокращение меры энтропии системы, возможно осуществлять за счет использования СПЕЦИАЛИЗИРОВАННОЙ ИНТЕЛЛЕКТУАЛЬНОЙ ГЕОИНФОРМАЦИОННОЙ СИСТЕМЫ (СИГИС) реализующей в себе функцию расчета прогноза значений характеристик подводной среды и анализ его достоверности с использованием ИНС, основанный на существующих априорных статистических наблюдениях за водной средой и получаемых оперативных данных о состоянии водной среды в точке нахождения подводного объекта.
[слайд 15] Для решения в СИГИС задачи прогнозирования промежуточных значений, и значений лежащих вне наблюдаемого диапазона, предлагается использовать методы интерполяции и экстраполяции соответственно, а достоверность расчетов оценивать с использованием метода обратных взвешенных расстояний. Характер данных о значениях характеристик среды, неравномерно распределенных в пространстве и времени устанавливает ряд ограничений на выбор методов интерполяции и экстраполяции. Это должны быть многомерные методы на неравномерной сетке, с числом измерений не менее четырех.
Под эти условия подходят: метод ближайшего соседа, метод обратных взвешенных расстояний, метод на основе триангулированной нерегулярной сети, метод кригинга и сплайны.
[слайд 16] Общей отличительной чертой этих методов является то, что они либо полностью игнорируют уникальные особенности законов распределения интерполируемой характеристики, либо имеют ограниченные средства для их учета, требующие предварительной статистической и аналитической обработки данных.
[слайд 17]Для решения этой проблемы, в качестве способа многомерной интерполяции а также многомерной экстраполяции предлагается использование ИНС, которые математически схожи с ОВР и методом кригинга, но так как их обучение производится на реальных данных об измерениях конкретной характеристики то и прогнозы, производимые с их использованием будут учитывать ее (характеристики) уникальные особенности.
Еще одной особенностью ИНС является то, что при их обучении возможен учет дополнительных факторов, влияющих на прогнозируемые значения, таких как время года, время суток, состояния атмосферы, глубина водной среды и других, оказывающих существенное влияние на значения искомой характеристики.
Предполагается, что для полноты учета всех факторов, необходимо произвести обучение ИНС с использованием реальных значений характеристики, накопленных за длительный период наблюдений (желательно несколько лет). Достоверность прогнозируемых значений рассматривается как функция от достоверности реальных значений и величины, обратной расстоянию между реальными значениями и прогнозируемыми в 4-х мерной системе координат и рассчитывается по формуле представленной на слайде.
[слайд 18] Конечным результатом прогнозирования характеристик среды должен стать прогноз типа гидрологии и его характеристик в объеме района. Таким образом, необходимая для принятия решения полнота данных о среде может считаться достигнутой. Это обеспечивается возможностью получения данных о значениях характеристик среды в любой точке пространства и времени а также возможностью получения оценки достоверности этих данных.
...