Forscher der Universität Tokio und Kozo Keikaku Engineering Inc. haben eine Methode eingeführt, mit der die Leistungsfähigkeit bestehender Algorithmen verbessert werden kann, um die Zukunft unbekannter Zeitreihen vorherzusagen. Durch die Kombination der Vorhersagen vieler suboptimaler Vorhersagen konnten sie eine Konsensvorhersage erstellen, die die bestehenden Methoden tendenziell übertraf. Diese Forschung kann dazu beitragen, Frühwarnungen für Überschwemmungen, wirtschaftliche Schocks oder Wetteränderungen bereitzustellen.
Zeitreihendaten sind ein vertrauter Bestandteil unseres täglichen Lebens. Ein sich drehendes Diagramm kann den Wasserstand eines Flusses, den Preis einer Aktie oder die tägliche Höchsttemperatur in einer Stadt darstellen, um nur einige zu nennen. Vorkenntnisse über die zukünftigen Bewegungen einer Zeitreihe könnten verwendet werden, um zukünftige unerwünschte Ereignisse abzuwenden oder sich darauf vorzubereiten. Prognosen sind jedoch äußerst schwierig, da die zugrunde liegende Dynamik, die die Werte generiert, nicht linear ist (auch wenn sie als deterministisch angenommen wird) und daher starken Schwankungen unterliegt.
Delay Embedding ist eine weit verbreitete Methode, um Zeitreihendaten zu verstehen und zu versuchen, zukünftige Werte vorherzusagen. Dieser Ansatz nimmt eine Folge von Beobachtungen und "bettet" sie in einen höherdimensionalen Raum ein, indem der aktuelle Wert mit gleichmäßig verteilten verzögerten Werten aus der Vergangenheit kombiniert wird. Um beispielsweise eine dreidimensionale verzögerte Einbettung des Schlusskurses des S&P 500 zu erstellen, können Sie die Schlusskurse von heute, gestern und dem Vortag als x-, y- bzw. z-Koordinaten nehmen. Die möglichen Entscheidungen für die Einbettungsdimension und die Verzögerungsverzögerung machen es jedoch zu einer Frage von Versuch und Irrtum, die nützlichste Darstellung für die Erstellung von Prognosen zu finden.
Jetzt haben Forscher der Universität Tokio und Kozo Keikaku Engineering Inc. einen Weg aufgezeigt, eine Sammlung von Verzögerungseinbettungen auszuwählen und zu optimieren, sodass ihre kombinierte Vorhersage besser abschneidet als jeder einzelne Prädiktor. "Wir haben festgestellt, dass die 'Weisheit der Masse', bei der die Konsensvorhersage besser ist als jede für sich allein, sogar mit mathematischen Modellen wahr sein kann", erklärt Erstautorin Shunya Okuno.
Die Forscher testeten ihre Methode an realen Hochwasserdaten sowie an theoretischen Gleichungen mit chaotischem Verh alten. „Wir gehen davon aus, dass dieser Ansatz viele praktische Anwendungen bei der Vorhersage von Zeitreihendaten finden und die Verwendung von Verzögerungseinbettungen neu beleben wird“, sagt Seniorautor Yoshito Hirata. Die Vorhersage eines zukünftigen Systemzustands ist eine wichtige Aufgabe in vielen verschiedenen Bereichen, darunter Neurowissenschaften, Ökologie, Finanzen, Strömungsdynamik, Wetter und Katastrophenschutz, daher hat diese Arbeit Potenzial für den Einsatz in einer Vielzahl von Anwendungen.
