Un enfoque de coincidencia parcial puede superar la "maldición" de la dimensionalidad de las mediciones continuas a lo largo del tiempo para producir predicciones futuras más precisas.

Al escanear datos pasados ​​en busca de coincidencias parciales y completas con las observaciones actuales, Un equipo de investigación dirigido por KAUST ha desarrollado un esquema de predicción que puede pronosticar de manera más confiable la trayectoria futura de los parámetros ambientales.

La recopilación de datos a intervalos regulares a lo largo del tiempo es común en muchos campos, pero particularmente en el medio ambiente, transporte e investigación biológica. Estos datos se utilizan para monitorear y registrar el estado actual y también para ayudar a predecir lo que podría suceder en el futuro. Un enfoque típico es buscar patrones o trayectorias anteriores en los datos que coincidan con la trayectoria actual.

Sin embargo, en la práctica, nunca hay coincidencias completas, por lo que el predictor necesita encontrar ventanas de tiempo cada vez más pequeñas en datos pasados ​​que proporcionen una coincidencia parcial. Esto da como resultado una pérdida de contexto y cualquier tendencia más amplia que podría haber dado una mejor predicción. mientras posiblemente dibuja en ruido aleatorio.

"Predecir las trayectorias futuras de series de tiempo es un desafío, ya que las trayectorias se componen de muchas observaciones secuenciales o 'dimensiones, "Que limita enfoques de predicción multivariadas, ", dice Hernando Ombao de KAUST." Esto se conoce como la maldición de la dimensionalidad ".

Para superar estos desafíos, postdoc Shuhao Jiao desarrolló un método llamado predicción funcional parcial (PFP) que la información se integra de todas las trayectorias completas y parciales del pasado. Este enfoque optimizado utiliza todos los datos disponibles, capturar tanto las tendencias a largo plazo como las trayectorias parciales bien ajustadas.

"Al suavizar las trayectorias, podemos transformar la maldición en una bendición al capturar el panorama general de la información dinámica de las trayectorias, "Dice Jiao." Nuestro método incorpora tanto la dependencia entre trayectorias como entre trayectorias, que los métodos anteriores no han logrado ".

El enfoque implica un procedimiento paso a paso en el que los datos se analizan primero para trayectorias completas más largas, los componentes parciales "residuales" se extraen luego como fragmentos independientes de las tendencias pasadas y todo lo que queda se asigna al ruido aleatorio. Luego, las tres funciones se aplican a la ventana de predicción.

El equipo, junto con el colaborador Alexander Aue de la Universidad de California, demostrado su método en la predicción de las partículas finas en el flujo de aire y el tráfico y demostró que su método PFP dio predicciones mucho más preciso que los métodos existentes, particularmente para pronósticos a más largo plazo.

"Nuestro método muestra que al incorporar información de dependencia dentro y entre trayectorias, es posible lograr una mejora pronunciada en la predicción de trayectorias futuras, "Dice Ombao.