DeepEDM: Un Nuovo Framework per la Previsione Non Lineare di Serie Temporali
I ricercatori hanno introdotto DeepEDM, un framework che combina la modellazione di sistemi dinamici non lineari con reti neurali profonde per la previsione di serie temporali. Ispirato dalla modellazione dinamica empirica (EDM) e dal teorema di Takens, DeepEDM apprende uno spazio latente da embedding a ritardo temporale e utilizza la regressione kernel per approssimare le dinamiche sottostanti. Sfrutta un'efficiente attenzione softmax per previsioni multi-step accurate. Il metodo è stato valutato su sistemi dinamici non lineari sintetici e serie temporali reali in vari domini.
Fatti principali
- DeepEDM integra la modellazione di sistemi dinamici non lineari con reti neurali profonde.
- È ispirato dalla modellazione dinamica empirica (EDM) e dal teorema di Takens.
- Il framework apprende uno spazio latente da embedding a ritardo temporale.
- Utilizza la regressione kernel per approssimare le dinamiche sottostanti.
- L'attenzione softmax è impiegata per un'implementazione efficiente.
- Gli esperimenti sono stati condotti su serie temporali sintetiche e reali.
- L'articolo è disponibile su arXiv con ID 2506.06454.
- L'approccio mira a migliorare la previsione modellando esplicitamente le dinamiche.
Entità
Istituzioni
- arXiv