Description:

Invenţia se referă la procese de tip Hidden Markov (HM) şi, în particular, la utilizarea acestora ca arhitecturi de tip "Machine Learning" (ML) pentru determinarea în timp real a celor mai probabile niveluri de variabilitate şi de incertitudine a datelor din serii temporale. Arhitectura se poate implementa fie printr-un modul software, fie ca un dispozitiv autonom cuprinzând hardware specializat şi software. Conform invenţiei, se generează noi serii temporale de mărginire inferioară, respectiv superioară, a datelor dintr-o serie S printr-un calcul cunoscut de borne de tip minim, respectiv maxim, bazat pe medieri de tip medie mobilă (MA) şi pe abateri standard mobile (MSD), pentru un interval de timp glisant, de mărime constantă şi calculată ca un multiplu al pasului de timp al seriei temporale S. Pentru un interval de timp de referinţă, perechi de date temporale de tipul {MA-2*MSD, MA+2*MSD} sunt partiţionate ca serii şi pot fi utilizate pentru antrenarea unui proces stochastic Π2 de tip HM, în timp ce perechile de date temporale de tipul {MA-3*MSD, MA+3*MSD} sunt de asemenea partiţionate şi pot fi utilizate pentru antrenarea unui proces stochastic Π3 de tip HM, ambele procese stochastice, Π2 şi Π3 având acelaşi număr de mecanisme ascunse. Pe baza unei proceduri cunoscute de decodare atribuită procesului stochastic Π2, se pot transforma date {MA-MSD, MA+MSD} asociate tipurilor de date ale seriei S într-un şir de valori pozitive s1, s2,..., unde si aparţine {1,2,...,N}, iar pe baza unei proceduri de decodare asociată procesului stochastic Π3 se transformă aceleaşi date într-un şir de valori pozitive t1, t2,..., unde ti aparţine {1,2,...,N}. Nivelurile de incertitudine, respectiv de variabilitate a datelor rezultă din compararea distanţei Manhattan între şirul s1, s2,... şi şirul t1, t2,...şi au ca bază de fundamentare mecanismele rezultate din cele două antrenări ale proceselor Π2 şi, respectiv, Pi3.