Mængdens visdom? Opbygning af bedre prognoser fra suboptimale forudsigere

Forskere ved University of Tokyo og Kozo Keikaku Engineering Inc. har introduceret en metode til at forbedre styrken af ​​eksisterende algoritmer til at forudsige fremtiden for ukendte tidsserier. Ved at kombinere forudsigelserne fra mange suboptimale prognoser, de var i stand til at konstruere en konsensus forudsigelse, der havde en tendens til at udkonkurrere eksisterende metoder. Denne forskning kan hjælpe med at give tidlige advarsler om oversvømmelser, økonomiske chok, eller ændringer i vejret.

I tidsseriedata, en roterende graf kan repræsentere vandstanden i en flod, prisen på en aktie, eller den daglige høje temperatur i en by, for eksempel. Forhåndskendskab til en tidsseries fremtidige bevægelser kan bruges til at afværge eller forberede fremtidige uønskede begivenheder. Imidlertid, prognose er ekstremt vanskelig, fordi den underliggende dynamik, der genererer værdierne, er ikke-lineær (selvom det antages at være deterministisk) og derfor underlagt vilde udsving.

Forsinket indlejring er en meget brugt metode til at give mening i tidsseriedata og forsøge at forudsige fremtidige værdier. Denne tilgang tager en sekvens af observationer og "indlejrer" dem i et rum med højere dimensioner ved at kombinere den aktuelle værdi med jævnt fordelte forsinkede værdier fra fortiden. For eksempel, at skabe en tredimensionel forsinkelsesindlejring af S&P 500-slutkursen, du kan tage slutkurserne i dag, i går og i forgårs som x-, y-, og z-koordinater, henholdsvis. Imidlertid, de mulige valg for indlejring af dimension og forsinkelsesforsinkelse gør det at finde den mest nyttige repræsentation til at lave prognoser til et spørgsmål om at prøve og fejle.

Nu, forskere ved University of Tokyo og Kozo Keikaku Engineering Inc. har vist en måde at udvælge og optimere en samling af forsinkelsesindlejringer, så deres kombinerede prognose klarer sig bedre end nogen individuel forudsigelse. "Vi fandt ud af, at 'mængdens visdom' ' hvor konsensusforudsigelsen er bedre end hver for sig, kan være sandt selv med matematiske modeller, ", forklarer førsteforfatter Shunya Okuno.

Forskerne testede deres metode på data fra den virkelige verden, samt teoretiske ligninger med kaotisk adfærd. "Vi forventer, at denne tilgang vil finde mange praktiske anvendelser i prognoser for tidsseriedata, og genoplive brugen af ​​forsinket indlejring, " siger seniorforfatter Yoshito Hirata. At forudsige en fremtidig systemtilstand er en vigtig opgave på mange områder, herunder neurovidenskab, økologi, finansiere, væskedynamik, vejr- og katastrofeforebyggelse, derfor, dette arbejde har potentiale til brug i en bred vifte af applikationer. Undersøgelsen er publiceret i Videnskabelige rapporter .