Аннотация:Рассмотрены варианты восстановления временных рядов, основанных на статистических методах и методах машинного обучения, а также модифицированного варианта, основанного на построении интегрированной модели авторегрессии ARIMA, позволяющих восстанавливать ряды динамики. Статистический и модифицированные методы берут в основу модель ARIMA(p,d,q) - интегрированную модель авторегрессии - скользящего среднего, которая используется для прогнозирования и работы с нестационарными временными рядами и приводит их к стационарному виду путем взятия разности d-го порядка. В случае вариантов восстановления на основе методов машинного обучения были использованы сети прямого распространения сигнала, сверточная нейронная сеть (convolutional neural network; CNN), нейронная сеть долгой краткосрочной памяти (long short-termmemory; LSTM), двунаправленные LSTM и гибридная методика восстановления временных рядов ARIMA+LSTM. Полученные с помощью предложенных методов результаты оказались сравнимы по качеству с результатами классических методов прогнозирования, а некоторые из моделей способствовали их улучшению.