Deep learning for predicting the occurrence of tipping points

要約

現実世界の多くのシステムでは、システムがある状態から別の状態に突然移行する転換点が発生します。
時系列データから転換点の発生を予測する能力は依然として未解決の課題であり、幅広い研究分野で大きな関心を集めています。
特に、分岐理論に基づいて広く使用されている方法は、予測精度の信頼性が低く、実世界のシステムでよく観察される不規則にサンプリングされた時系列には適用できません。
ここでは、正規形に関する情報を利用して、未訓練のシステムにおける転換点の発生を予測する深層学習アルゴリズムを開発することで、この課題に対処します。
私たちのアルゴリズムは、規則的にサンプリングされたモデル時系列に対して従来の方法よりも優れたパフォーマンスを発揮するだけでなく、不規則にサンプリングされたモデル時系列や経験的時系列に対しても正確な予測を実現します。
複雑なシステムの転換点を予測する私たちの能力は、社会科学、工学、生物学に幅広く応用され、リスクの軽減、壊滅的な障害の防止、劣化したシステムの修復への道を切り開きます。

要約(オリジナル)

Tipping points occur in many real-world systems, at which the system shifts suddenly from one state to another. The ability to predict the occurrence of tipping points from time series data remains an outstanding challenge and a major interest in a broad range of research fields. Particularly, the widely used methods based on bifurcation theory are neither reliable in prediction accuracy nor applicable for irregularly-sampled time series which are commonly observed from real-world systems. Here we address this challenge by developing a deep learning algorithm for predicting the occurrence of tipping points in untrained systems, by exploiting information about normal forms. Our algorithm not only outperforms traditional methods for regularly-sampled model time series but also achieves accurate predictions for irregularly-sampled model time series and empirical time series. Our ability to predict tipping points for complex systems paves the way for mitigation risks, prevention of catastrophic failures, and restoration of degraded systems, with broad applications in social science, engineering, and biology.

arxiv情報

著者 Chengzuo Zhuge,Jiawei Li,Wei Chen
発行日 2024-12-09 15:39:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, math.DS パーマリンク