Une approche d'appariement partiel peut surmonter la « malédiction » dimensionnelle des mesures continues au fil du temps pour produire des prédictions futures plus précises.

En scannant les données passées pour les correspondances partielles et complètes avec les observations actuelles, une équipe de recherche dirigée par KAUST a développé un schéma de prédiction qui peut prévoir de manière plus fiable la trajectoire future des paramètres environnementaux.

La collecte de données à intervalles réguliers dans le temps est courante dans de nombreux domaines, mais particulièrement dans les domaines de l'environnement, les transports et la recherche biologique. Ces données sont utilisées pour surveiller et enregistrer l'état actuel et également pour aider à prédire ce qui pourrait arriver à l'avenir. Une approche typique consiste à rechercher des modèles ou des trajectoires antérieurs dans les données qui correspondent à la trajectoire actuelle.

Cependant, en pratique, il n'y a jamais de correspondances complètes, et donc le prédicteur doit trouver des fenêtres temporelles de plus en plus petites dans les données passées qui fournissent une correspondance partielle. Cela se traduit par une perte de contexte et de tendances plus larges qui auraient pu donner une meilleure prédiction, tout en attirant éventuellement du bruit aléatoire.

« La prédiction des trajectoires futures des séries chronologiques est difficile dans la mesure où les trajectoires sont composées de nombreuses observations séquentielles ou "dimensions, " ce qui limite les approches de prédiction multivariées, " dit Hernando Ombao de KAUST. " C'est ce qu'on appelle la malédiction de la dimensionnalité. "

Pour surmonter ces défis, postdoc Shuhao Jiao a développé une méthode appelée prédiction fonctionnelle partielle (PFP) qui intègre les informations de toutes les trajectoires complètes et partielles passées. Cette approche optimisée utilise toutes les données disponibles, capturer à la fois les tendances à long terme et les trajectoires partielles bien assorties.

« En lissant les trajectoires, nous pouvons transformer la malédiction en bénédiction en capturant la grande image de l'information dynamique des trajectoires, " dit Jiao. "Notre méthode intègre à la fois la dépendance à la trajectoire croisée et à la trajectoire intra-trajectoire, ce que les méthodes précédentes n'ont pas atteint."

L'approche implique une procédure par étapes où les données sont d'abord analysées pour des trajectoires complètes plus longues, les composants partiels "résiduels" sont ensuite extraits sous forme de fragments indépendants des tendances passées et tout ce qui reste est affecté au bruit aléatoire. Les trois fonctions sont ensuite appliquées à la fenêtre de prédiction.

L'équipe, avec le collaborateur Alexander Aue de l'Université de Californie, ont démontré leur méthode sur la prédiction des particules fines dans l'air et le trafic et ont montré que leur méthode PFP donnait des prédictions beaucoup plus précises que les méthodes existantes, en particulier pour les prévisions à plus long terme.

"Notre méthode montre qu'en incorporant des informations de dépendance au sein et entre les trajectoires, il est possible d'obtenir une amélioration marquée de la prédiction des trajectoires futures, " dit Ombao.