Onderzoekers van de Universiteit van Tokyo en Kozo Keikaku Engineering Inc. hebben een methode geïntroduceerd om de kracht van bestaande algoritmen te vergroten om de toekomst van onbekende tijdreeksen te voorspellen. Door de voorspellingen van veel suboptimale voorspellingen te combineren, ze waren in staat om een ​​consensusvoorspelling te construeren die de neiging had om de bestaande methoden te overtreffen. Dit onderzoek kan helpen om vroegtijdige waarschuwingen te geven voor overstromingen, economische schokken, of veranderingen in het weer.

In tijdreeksgegevens, een ronddraaiende grafiek kan het waterpeil van een rivier voorstellen, de prijs van een aandeel, of de dagelijkse hoge temperatuur in een stad, bijvoorbeeld. Voorafgaande kennis van de toekomstige bewegingen van een tijdreeks zou kunnen worden gebruikt om toekomstige ongewenste gebeurtenissen af ​​te wenden of voor te bereiden. Echter, voorspellen is buitengewoon moeilijk omdat de onderliggende dynamiek die de waarden genereert niet-lineair is (zelfs als wordt aangenomen dat deze deterministisch is) en daarom onderhevig is aan wilde fluctuaties.

Delay embedding is een veelgebruikte methode om tijdreeksgegevens te begrijpen en toekomstige waarden te voorspellen. Deze benadering neemt een reeks observaties en "embedt" deze in een hoger-dimensionale ruimte door de huidige waarde te combineren met gelijkmatig verdeelde achterblijvende waarden uit het verleden. Bijvoorbeeld, om een ​​driedimensionale vertraging van de slotkoers van de S&P 500 te creëren, u kunt vandaag de slotkoersen nemen, gisteren en eergisteren als de x-, ja, en z-coördinaten, respectievelijk. Echter, de mogelijke keuzes voor het inbedden van dimensie en vertragingsvertraging maken het vinden van de meest bruikbare weergave voor het maken van prognoses een kwestie van vallen en opstaan.

Nutsvoorzieningen, onderzoekers van de Universiteit van Tokio en Kozo Keikaku Engineering Inc. hebben een manier laten zien om een ​​verzameling vertragingsinbeddingen te selecteren en te optimaliseren, zodat hun gecombineerde voorspelling het beter doet dan welke individuele voorspeller dan ook. "We ontdekten dat de 'wijsheid van de menigte, ' waarin de consensusvoorspelling beter is dan elk op zich, kan waar zijn, zelfs met wiskundige modellen, " legt eerste auteur Shunya Okuno uit.

De onderzoekers testten hun methode op real-world overstromingsgegevens, evenals theoretische vergelijkingen met chaotisch gedrag. "We verwachten dat deze aanpak veel praktische toepassingen zal vinden bij het voorspellen van tijdreeksgegevens, en het gebruik van uitgestelde inbeddingen nieuw leven inblazen, " zegt senior auteur Yoshito Hirata. Het voorspellen van een toekomstige systeemstatus is een belangrijke taak op veel gebieden, waaronder neurowetenschappen, ecologie, financiën, vloeistofdynamica, weer- en rampenpreventie, Vandaar, dit werk heeft potentieel voor gebruik in een breed scala aan toepassingen. De studie is gepubliceerd in Wetenschappelijke rapporten .