​Этап 1: Предобработка данных

​1. Приведение всех показателей к единой временной периодичности.

2. Логарифмирование показателей, демонстрирующих экспоненциальный рост.

3. Стандартизация для обеспечения сопоставимости масштабов разных показателей.

4. Создание маски пропусков — бинарного тензора, указывающего, какие значения наблюдения, а какие отсутствуют.

​Этап 2: Обучение TimeVAE

​1. Обучается на данных с пропусками.

2. Часть наблюдаемых значений искусственно скрывается и используется как валидационная выборка

3. Обучение проводится с использованием оптимизатора Adam с адаптивной скоростью обучения.

4. Обучение прекращается, когда ошибка на валидационной выборке перестает снижаться в течение определенного числа эпох.

​Этап 3: Обучение CVAE

​1. Обучается на полных данных.

2. Условная переменная формируется на основе атрибутов каждого временного ряда.

3. Оптимизация проводится по двум компонентам функции потерь: ошибке реконструкции (MAE или MSE для восстановленных значений) и KL-дивергенции.

4. Гиперпараметры модели подбираются с использованием байесовской оптимизации.

​Этап 4: Совместное обучение WGAN

​1. Обучение критика (обычно 5 итераций на одну итерацию генератора) для максимизации расстояния Вассерштейна.

2. Обучение генератора для минимизации оценки критика.

Градиентный штраф WGAN-GP применяется для соблюдения условия Липшица, что позволяет избежать клиппирования весов, которое может приводить к неоптимальным решениям.