p Uma abordagem de correspondência parcial pode superar a "maldição" da dimensionalidade das medições contínuas ao longo do tempo para produzir previsões futuras mais precisas. p Ao escanear os dados anteriores para correspondências parciais e completas com as observações atuais, uma equipe de pesquisa liderada pela KAUST desenvolveu um esquema de previsão que pode prever com mais segurança a trajetória futura dos parâmetros ambientais.

p A coleta de dados em intervalos regulares ao longo do tempo é comum em muitos campos, mas particularmente no meio ambiente, transporte e pesquisa biológica. Esses dados são usados ​​para monitorar e registrar o estado atual e também para ajudar a prever o que pode acontecer no futuro. Uma abordagem típica é procurar padrões ou trajetórias anteriores nos dados que correspondem à trajetória atual.

p Contudo, na prática, nunca há correspondências completas, e, portanto, o preditor precisa encontrar janelas de tempo cada vez menores em dados anteriores que forneçam uma correspondência parcial. Isso resulta em uma perda de contexto e quaisquer tendências mais amplas que poderiam ter dado uma previsão melhor, enquanto possivelmente desenha em ruído aleatório.

p "Prever futuras trajetórias de séries temporais é um desafio, pois as trajetórias são compostas de muitas observações ou dimensões sequenciais, "que limita as abordagens de predição multivariada, "diz Hernando Ombao da KAUST." Isso é conhecido como a maldição da dimensionalidade. "

p Para superar esses desafios, pós-doutorado Shuhao Jiao desenvolveu um método chamado predição funcional parcial (PFP) que integra informações de todas as trajetórias anteriores completas e parciais. Esta abordagem otimizada usa todos os dados disponíveis, capturando tendências de longo prazo e trajetórias parciais bem combinadas.

p "Ao suavizar as trajetórias, podemos transformar a maldição em uma bênção, capturando o quadro geral das informações dinâmicas das trajetórias, "Jiao diz." Nosso método incorpora a dependência cruzada e intratrajetória, que os métodos anteriores não conseguiram. "

p A abordagem envolve um procedimento passo a passo onde os dados são primeiro analisados ​​para trajetórias completas mais longas, os componentes parciais "residuais" são então extraídos como fragmentos independentes das tendências anteriores e tudo o que sobra é atribuído ao ruído aleatório. As três funções são então aplicadas à janela de previsão.

p O time, junto com o colaborador Alexander Aue da Universidade da Califórnia, demonstraram seu método na previsão de partículas finas no fluxo aéreo e de tráfego e mostraram que seu método PFP deu previsões muito mais precisas do que os métodos existentes, particularmente para previsões de longo prazo.

p "Nosso método mostra que, ao incorporar informações de dependência dentro e entre as trajetórias, é possível alcançar uma melhora acentuada na previsão de trajetórias futuras, "Ombão diz.