Under normaliserings- och sekvensskapandeprocessen i samband med djupinlärning med återkommande neurala nätverk (RNN) för förutsägelse av kryptovaluta är det viktigt att hantera saknade eller ogiltiga värden för att säkerställa korrekt och tillförlitlig modellträning. Saknade eller ogiltiga värden kan avsevärt påverka modellens prestanda, vilket leder till felaktiga förutsägelser och opålitliga insikter. I