Investigadores de la Universidad de Tokio y Kozo Keikaku Engineering Inc. han introducido un método para mejorar el poder de los algoritmos existentes para pronosticar el futuro de series de tiempo desconocidas. Al combinar las predicciones de muchos pronósticos subóptimos, pudieron construir una predicción de consenso que tendía a superar a los métodos existentes. Esta investigación puede ayudar a proporcionar alertas tempranas de inundaciones, shocks económicos, o cambios en el clima.

En datos de series de tiempo, un gráfico giratorio podría representar el nivel del agua de un río, el precio de una acción, o la alta temperatura diaria en una ciudad, por ejemplo. El conocimiento avanzado de los movimientos futuros de una serie de tiempo podría usarse para evitar o prepararse para futuros eventos indeseables. Sin embargo, El pronóstico es extremadamente difícil porque las dinámicas subyacentes que generan los valores no son lineales (incluso si se asume que son deterministas) y, por lo tanto, están sujetas a fluctuaciones salvajes.

La incrustación de retardo es un método ampliamente utilizado para dar sentido a los datos de series de tiempo e intentar predecir valores futuros. Este enfoque toma una secuencia de observaciones y las "incrusta" en un espacio de mayor dimensión combinando el valor actual con valores rezagados espaciados uniformemente del pasado. Por ejemplo, para crear una incorporación de retardo tridimensional del precio de cierre del S&P 500, puede tomar los precios de cierre hoy, ayer y anteayer como la x-, y-, y coordenadas z, respectivamente. Sin embargo, las posibles opciones para incorporar dimensión y retardo hacen que encontrar la representación más útil para hacer pronósticos sea una cuestión de prueba y error.

Ahora, Los investigadores de la Universidad de Tokio y Kozo Keikaku Engineering Inc. han mostrado una forma de seleccionar y optimizar una colección de incrustaciones de demoras para que su pronóstico combinado funcione mejor que cualquier predictor individual. "Descubrimos que la 'sabiduría de la multitud, 'en el que la predicción de consenso es mejor que cada uno por sí solo, puede ser cierto incluso con modelos matemáticos, "explica el primer autor Shunya Okuno.

Los investigadores probaron su método con datos de inundaciones del mundo real, así como ecuaciones teóricas con comportamiento caótico. "Esperamos que este enfoque encuentre muchas aplicaciones prácticas en la predicción de datos de series de tiempo, y revitalizar el uso de incrustaciones diferidas, ", dice el autor principal Yoshito Hirata. Pronosticar el estado futuro del sistema es una tarea importante en muchos campos, incluida la neurociencia, ecología, Finanzas, dinámica de fluidos, prevención del clima y desastres, por eso, este trabajo tiene potencial para su uso en una amplia gama de aplicaciones. El estudio se publica en Informes científicos .