Предложен метод построения инвариантных к масштабу представлений временных рядов розничной выручки на базе трехбарной (по трем соседним периодам) геометрии Драммонда (DG), расширенной мульти-таймфреймовым контекстом (день, частичная календарная неделя и скользящая 7-дневка). На этих «патчах» выполнено self-supervised предобучение по схеме Joint-Embedding Predictive Architecture (JEPA) со спатио-темпоральным маскированием, после чего модель дообучена с выходными слоями, оценивающими неопределенность, для прогноза на следующий день и следующую неделю. Проанализированы свойства аффинной инвариантности признаков и идентифицируемости недельной фазы; эмпирически продемонстрировано улучшение по сравнению с сильными базовыми моделями на реальных данных.

В настоящее время разработка онтологических моделей построения границ и их контуров по движущимся объектам в реальном времени или близком к нему является актуальной задачей. В связи с этим в статье приведена онтологическая модель реализации данного процесса. Рассмотрены основные алгоритмы детекции границ объектов на изображении, а также представлены программные коды для их реализации. Отмечено, что для распознавания контуров наиболее лучшим является алгоритм Канни. Вместе с этим определён и его серьезный недостаток, заключающий в том, что при незначительном движении объектов более 50% информации о контурах теряется.