p Pesquisadores da Universidade de Tóquio e da Kozo Keikaku Engineering Inc. introduziram um método para aumentar o poder dos algoritmos existentes para prever o futuro de séries temporais desconhecidas. Ao combinar as previsões de muitas previsões abaixo do ideal, eles foram capazes de construir uma previsão de consenso que tendia a superar os métodos existentes. Esta pesquisa pode ajudar a fornecer alertas precoces para inundações, choques econômicos, ou mudanças no clima. p Em dados de série temporal, um gráfico giratório pode representar o nível de água de um rio, o preço de uma ação, ou a alta temperatura diária em uma cidade, por exemplo. O conhecimento prévio dos movimentos futuros de uma série de tempo pode ser usado para evitar ou se preparar para eventos indesejáveis ​​futuros. Contudo, a previsão é extremamente difícil porque as dinâmicas subjacentes que geram os valores são não lineares (mesmo se assumidas como determinísticas) e, portanto, sujeitas a grandes flutuações.

p A incorporação de atraso é um método amplamente usado para dar sentido aos dados da série temporal e tentar prever valores futuros. Essa abordagem pega uma sequência de observações e as "embute" em um espaço de dimensão superior, combinando o valor atual com valores defasados ​​do passado uniformemente espaçados. Por exemplo, para criar uma incorporação de atraso tridimensional do preço de fechamento S&P 500, você pode pegar os preços de fechamento hoje, ontem e anteontem como x-, y-, e coordenadas z, respectivamente. Contudo, as opções possíveis para dimensão de incorporação e atraso de atraso tornam encontrar a representação mais útil para fazer previsões uma questão de tentativa e erro.

p Agora, pesquisadores da Universidade de Tóquio e da Kozo Keikaku Engineering Inc. mostraram uma maneira de selecionar e otimizar uma coleção de embeddings de atraso para que sua previsão combinada tenha um desempenho melhor do que qualquer preditor individual. "Descobrimos que a 'sabedoria da multidão, 'em que a previsão de consenso é melhor do que cada uma por conta própria, pode ser verdade mesmo com modelos matemáticos, "explica o primeiro autor Shunya Okuno.

p Os pesquisadores testaram seu método em dados de inundação do mundo real, bem como equações teóricas com comportamento caótico. "Esperamos que esta abordagem encontre muitas aplicações práticas na previsão de dados de séries temporais, e revigorar o uso de embeddings de atraso, "O autor sênior Yoshito Hirata diz. Prever o estado futuro do sistema é uma tarefa importante em muitos campos, incluindo a neurociência, ecologia, finança, dinâmica de fluidos, prevenção do clima e desastres, portanto, este trabalho tem potencial para uso em uma ampla gama de aplicações. O estudo é publicado em Relatórios Científicos .