Abstract
<jats:p>Потокові системи підтримки прийняття рішень працюють каузально та за обмежень малої латентності, тому мультимодальні часові ряди мають аналізуватися онлайн. У реальних конвеєрах окремі джерела даних тимчасово деградують (пропуски, підвищений шум, масштабні зсуви), через що статичні стратегії злиття стають нестійкими: деградована модальність продовжує впливати на прогноз, а будь-яке додаткове керування ризикує погіршити якість у сегментах без деградації. У статті розглянуто метод надійнісно-адаптивного динамічного злиття модальностей для потокового прогнозування, у якому онлайн-оцінки надійності модальностей використовуються як керувальний сигнал для перезважування внеску модальних предикторів зі згладжуванням, а безпечний «чистий режим» реалізовано через clean gate: у чистих вікнах вихід збігається з сильним базисом раннього злиття, що виключає регресію якості без деградацій. Ефективність оцінено в потоковому протоколі передпослідовного оцінювання (prequential) на контрольованих потоках із детерміновано заданими ін’єкціями деградацій та на реальних даних UCI Appliances Energy Prediction. Показано, що в clean-режимі метод узгоджується з базисом раннього злиття (MAE = 0,56 ± 0,13 , RMSE = 0,70 ± 0,17), у режимі чергування пропусків зменшує похибку (MAE = 0,64 ± 0,11 проти 0,68 ± 0,08 ), демонструє вищу робастність при «missing_ level» = 0,9 (MAE 0,64 проти 0,70 ) та на деградованих сегментах UCI Appliances досягає MAE = 63,69 ± 5,82 проти 381,91± 95,22 . Надійність модальності трактується як каузальна ймовірнісна оцінка її поточного недеградованого стану та використовується як керувальний інтерфейс для злиття в потоці. Отримані результати сформовано як частину цілісного онлайн-конвеєра, що задовольняє вимоги каузальності, малої латентності та обмежених обчислювальних ресурсів у потокових системах підтримки прийняття рішень. Латентність покрокового інференсу залишається мікросекундною (у середньому 10,07μs ), що робить підхід придатним для низьколатентних потокових конвеєрів.</jats:p>