Investigadores de la Universidad de Tokio y Kozo Keikaku Engineering Inc. han introducido un método para mejorar el poder de los algoritmos existentes para pronosticar el futuro de series de tiempo desconocidas. Al combinar las predicciones de muchos pronósticos subóptimos, pudieron construir un consensopredicción que tendió a superar a los métodos existentes. Esta investigación puede ayudar a proporcionar alertas tempranas de inundaciones, crisis económicas o cambios en el clima.
Los datos de series temporales son una parte familiar de nuestra vida cotidiana. Un gráfico giratorio puede representar el nivel de agua de un río, el precio de una acción o la temperatura alta diaria en una ciudad, solo por nombrar algunos. Conocimiento avanzado delos movimientos futuros de una serie de tiempo podrían usarse para evitar o prepararse para futuros eventos indeseables, sin embargo, el pronóstico es extremadamente difícil porque la dinámica subyacente que genera los valores es no lineal incluso si se supone que es determinista y, por lo tanto, está sujeta a fluctuaciones salvajes.
La incrustación retardada es un método ampliamente utilizado para ayudar a dar sentido a los datos de series temporales e intentar predecir valores futuros. Este enfoque toma una secuencia de observaciones y las "incrusta" en un espacio de dimensiones superiores combinando el valor actual con un espacio uniformemente espaciadovalores rezagados del pasado. Por ejemplo, para crear una integración de demora tridimensional del precio de cierre del S&P 500, puede tomar los precios de cierre hoy, ayer y anteayer como las coordenadas x, y y z, respectivamente. Sin embargo, las posibles opciones para incorporar la dimensión y el retraso de retraso hacen que encontrar la representación más útil para hacer pronósticos sea una cuestión de prueba y error.
Ahora, los investigadores de la Universidad de Tokio y Kozo Keikaku Engineering Inc. han mostrado una forma de seleccionar y optimizar una colección de incrustaciones de retraso para que su pronóstico combinado sea mejor que cualquier predictor individual ". Descubrimos que la 'sabiduría delmultitud ", en la cual la predicción de consenso es mejor que cada una por sí sola, puede ser cierta incluso con modelos matemáticos", explica el primer autor Shunya Okuno.
Los investigadores probaron su método en datos de inundaciones del mundo real, así como en ecuaciones teóricas con comportamiento caótico. "Esperamos que este enfoque encuentre muchas aplicaciones prácticas para pronosticar datos de series de tiempo y revigorice el uso de incrustaciones de retraso", dijo Seniordice el autor Yoshito Hirata. Pronosticar un estado futuro del sistema es una tarea importante en muchos campos diferentes, incluyendo neurociencia, ecología, finanzas, dinámica de fluidos, clima y prevención de desastres, por lo tanto, este trabajo tiene potencial para su uso en una amplia gama de aplicaciones.
Fuente de la historia :
Materiales proporcionado por Instituto de Ciencias Industriales, Universidad de Tokio . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cite esta página :