I ricercatori dell'Università di Tokyo e della Kozo Keikaku Engineering Inc. hanno introdotto un metodo per potenziare la potenza degli algoritmi esistenti per prevedere il futuro delle serie temporali sconosciute. Combinando le previsioni di molte previsioni subottimali, sono stati in grado di costruire una previsione di consenso che tendeva a superare i metodi esistenti. Questa ricerca può aiutare a fornire avvisi tempestivi per le inondazioni, shock economici, o cambiamenti del tempo.

Nei dati delle serie temporali, un grafico rotante potrebbe rappresentare il livello dell'acqua di un fiume, il prezzo di un titolo, o la temperatura elevata quotidiana in una città, Per esempio. La conoscenza anticipata dei movimenti futuri di una serie temporale potrebbe essere utilizzata per evitare o prepararsi a futuri eventi indesiderati. Però, la previsione è estremamente difficile perché le dinamiche sottostanti che generano i valori sono non lineari (anche se ritenute deterministiche) e quindi soggette a fluttuazioni selvagge.

L'incorporamento del ritardo è un metodo ampiamente utilizzato per dare un senso ai dati delle serie temporali e tentare di prevedere i valori futuri. Questo approccio prende una sequenza di osservazioni e le "incorpora" in uno spazio a più dimensioni combinando il valore corrente con valori ritardati equidistanti dal passato. Per esempio, per creare un incorporamento ritardato tridimensionale del prezzo di chiusura dell'S&P 500, puoi prendere i prezzi di chiusura oggi, ieri e l'altro ieri come x-, y-, e coordinate z, rispettivamente. Però, le possibili scelte per l'incorporamento della dimensione e del ritardo di ritardo rendono la ricerca della rappresentazione più utile per fare previsioni una questione di tentativi ed errori.

Ora, i ricercatori dell'Università di Tokyo e Kozo Keikaku Engineering Inc. hanno mostrato un modo per selezionare e ottimizzare una raccolta di incorporamenti di ritardo in modo che la loro previsione combinata funzioni meglio di qualsiasi singolo predittore. "Abbiamo scoperto che la 'saggezza della folla, ' in cui la previsione del consenso è migliore di ciascuna di per sé, può essere vero anche con modelli matematici, " spiega il primo autore Shunya Okuno.

I ricercatori hanno testato il loro metodo su dati reali sulle inondazioni, così come equazioni teoriche con comportamento caotico. "Ci aspettiamo che questo approccio trovi molte applicazioni pratiche nella previsione dei dati delle serie temporali, e rinvigorire l'uso di incorporamenti di ritardo, ", afferma l'autore senior Yoshito Hirata. Prevedere uno stato futuro del sistema è un compito importante in molti campi, tra cui neuroscienze, ecologia, finanza, fluidodinamica, prevenzione delle intemperie e dei disastri, quindi, questo lavoro ha il potenziale per l'uso in una vasta gamma di applicazioni. Lo studio è pubblicato su Rapporti scientifici .