Forskare vid University of Tokyo och Kozo Keikaku Engineering Inc. har introducerat en metod för att förbättra kraften hos befintliga algoritmer för att förutsäga framtiden för okända tidsserier. Genom att kombinera förutsägelserna från många suboptimala prognoser, de kunde konstruera en konsensusförutsägelse som tenderade att överträffa befintliga metoder. Denna forskning kan hjälpa till att ge tidiga varningar för översvämningar, ekonomiska chocker, eller förändringar i vädret.

I tidsseriedata, en roterande graf kan representera vattennivån i en flod, priset på en aktie, eller den dagliga höga temperaturen i en stad, till exempel. Förhandskunskap om framtida rörelser i en tidsserie kan användas för att avvärja eller förbereda sig för framtida oönskade händelser. Dock, prognoser är extremt svåra eftersom den underliggande dynamiken som genererar värdena är olinjär (även om den antas vara deterministisk) och därför föremål för vilda fluktuationer.

Fördröjning av inbäddning är en allmänt använd metod för att förstå tidsseriedata och försöka förutsäga framtida värden. Detta tillvägagångssätt tar en sekvens av observationer och "bäddar in" dem i ett högre dimensionellt utrymme genom att kombinera det aktuella värdet med jämnt fördelade fördröjda värden från det förflutna. Till exempel, att skapa en tredimensionell fördröjningsinbäddning av slutkursen för S&P 500, du kan ta slutkurserna idag, igår och förrgår som x-, y-, och z-koordinater, respektive. Dock, de möjliga valen för inbäddning av dimension och fördröjningsfördröjning gör att hitta den mest användbara representationen för att göra prognoser till en fråga om försök och misstag.

Nu, forskare vid University of Tokyo och Kozo Keikaku Engineering Inc. har visat ett sätt att välja och optimera en samling fördröjningsinbäddningar så att deras kombinerade prognos blir bättre än någon enskild prediktor. "Vi fann att "massans visdom, ' där konsensusförutsägelsen är bättre än var och en för sig, kan vara sant även med matematiska modeller, " förklarar första författaren Shunya Okuno.

Forskarna testade sin metod på verkliga översvämningsdata, samt teoretiska ekvationer med kaotiskt beteende. "Vi förväntar oss att detta tillvägagångssätt kommer att hitta många praktiska tillämpningar för att prognostisera tidsseriedata, och återuppliva användningen av fördröjda inbäddningar, ", säger seniorförfattaren Yoshito Hirata. Att förutse ett framtida systemtillstånd är en viktig uppgift inom många områden, inklusive neurovetenskap, ekologi, finansiera, vätskedynamik, väder- och katastrofförebyggande, därav, detta arbete har potential att användas i ett brett spektrum av tillämpningar. Studien publiceras i Vetenskapliga rapporter .