Des chercheurs de l'Université de Tokyo et de Kozo Keikaku Engineering Inc. ont introduit une méthode permettant d'améliorer la puissance des algorithmes existants pour prévoir l'avenir de séries temporelles inconnues. En combinant les prédictions de nombreuses prévisions sous-optimales, ils ont pu construire une prédiction consensuelle qui avait tendance à surpasser les méthodes existantes. Cette recherche peut aider à fournir des alertes précoces pour les inondations, chocs économiques, ou des changements de temps.

Dans les données de séries chronologiques, un graphique giratoire peut représenter le niveau d'eau d'une rivière, le prix d'une action, ou la température quotidienne élevée dans une ville, par exemple. Une connaissance avancée des mouvements futurs d'une série chronologique pourrait être utilisée pour éviter ou se préparer à de futurs événements indésirables. Cependant, la prévision est extrêmement difficile car la dynamique sous-jacente qui génère les valeurs est non linéaire (même si elle est supposée déterministe) et donc sujette à des fluctuations sauvages.

L'intégration de retard est une méthode largement utilisée pour donner un sens aux données de séries chronologiques et tenter de prédire les valeurs futures. Cette approche prend une séquence d'observations et les « incorpore » dans un espace de dimension supérieure en combinant la valeur actuelle avec des valeurs décalées régulièrement espacées du passé. Par exemple, pour créer un délai en trois dimensions intégrant le cours de clôture du S&P 500, vous pouvez prendre les cours de clôture aujourd'hui, hier et avant-hier comme le x-, y-, et les coordonnées z, respectivement. Cependant, les choix possibles pour la dimension d'intégration et le délai font que la recherche de la représentation la plus utile pour faire des prévisions est une question d'essais et d'erreurs.

Maintenant, des chercheurs de l'Université de Tokyo et de Kozo Keikaku Engineering Inc. ont montré un moyen de sélectionner et d'optimiser une collection d'inclusions de retard afin que leur prévision combinée soit meilleure que n'importe quel prédicteur individuel. "Nous avons découvert que la 'sagesse de la foule, ' dans laquelle la prédiction consensuelle est meilleure que chacune séparément, peut être vrai même avec des modèles mathématiques, " explique le premier auteur Shunya Okuno.

Les chercheurs ont testé leur méthode sur des données d'inondation du monde réel, ainsi que des équations théoriques à comportement chaotique. « Nous nous attendons à ce que cette approche trouve de nombreuses applications pratiques dans la prévision des données de séries chronologiques, et redynamiser l'utilisation des intégrations de retard, ", déclare l'auteur principal Yoshito Hirata. Prévoir un état futur du système est une tâche importante dans de nombreux domaines, notamment les neurosciences, écologie, la finance, dynamique des fluides, météo et prévention des catastrophes, Par conséquent, ce travail a un potentiel d'utilisation dans un large éventail d'applications. L'étude est publiée dans Rapports scientifiques .