Un approccio di corrispondenza parziale può superare la "maledizione" della dimensionalità delle misurazioni continue nel tempo per fornire previsioni future più accurate.

Scansionando i dati passati per corrispondenze parziali e complete con le osservazioni attuali, un team di ricerca guidato da KAUST ha sviluppato uno schema di previsione in grado di prevedere in modo più affidabile la traiettoria futura dei parametri ambientali.

La raccolta di dati a intervalli regolari nel tempo è comune in molti campi, ma in particolare in quello ambientale, trasporti e ricerca biologica. Tali dati vengono utilizzati per monitorare e registrare lo stato attuale e anche per aiutare a prevedere cosa potrebbe accadere in futuro. Un approccio tipico consiste nel cercare modelli o traiettorie precedenti nei dati che corrispondono alla traiettoria corrente.

Però, in pratica, non ci sono mai corrispondenze complete, e quindi il predittore deve trovare finestre temporali sempre più piccole nei dati passati che forniscono una corrispondenza parziale. Ciò si traduce in una perdita di contesto e in qualsiasi tendenza più ampia che avrebbe potuto fornire una previsione migliore, mentre possibilmente disegnando rumore casuale.

"Prevedere le traiettorie delle serie temporali future è impegnativo in quanto le traiettorie sono composte da molte osservazioni sequenziali o "dimensioni, " che limita gli approcci di previsione multivariata, " dice Hernando Ombao di KAUST. "Questa è conosciuta come la maledizione della dimensionalità".

Per superare queste sfide, postdoc Shuhao Jiao ha sviluppato un metodo chiamato previsione funzionale parziale (PFP) che integra le informazioni da tutte le traiettorie complete e parziali passate. Questo approccio ottimizzato utilizza tutti i dati disponibili, catturando sia le tendenze a lungo termine che le traiettorie parziali ben abbinate.

"Appianando le traiettorie, possiamo trasformare la maledizione in una benedizione catturando il quadro generale delle informazioni dinamiche delle traiettorie, " dice Jiao. "Il nostro metodo incorpora sia la dipendenza dalla traiettoria incrociata che quella intratraiettoria, che i metodi precedenti non hanno raggiunto."

L'approccio prevede una procedura graduale in cui i dati vengono prima analizzati per traiettorie complete più lunghe, le componenti parziali "residue" vengono quindi estratte come frammenti indipendenti dalle tendenze passate e tutto ciò che rimane viene assegnato al rumore casuale. Le tre funzioni vengono quindi applicate alla finestra di previsione.

Il gruppo, insieme al collaboratore Alexander Aue dell'Università della California, hanno dimostrato il loro metodo sulla previsione del particolato fine nell'aria e nel flusso del traffico e hanno mostrato che il loro metodo PFP ha fornito previsioni molto più accurate rispetto ai metodi esistenti, soprattutto per le previsioni a lungo termine.

"Il nostro metodo mostra che incorporando le informazioni sulla dipendenza all'interno e attraverso le traiettorie, è possibile ottenere un netto miglioramento nella previsione delle traiettorie future, "dice Ombao.