Zusammenfassung - Ansatz zur Vorhersage extremer Ereignisse in Zeitreihen chaotischer dynamischer Systeme mithilfe von maschinellen Lerntechniken

Ansatz zur Vorhersage extremer Ereignisse in Zeitreihen chaotischer dynamischer Systeme mithilfe von maschinellen Lerntechniken

2025-07-10 15:07:06

{"Alexandre C. Andreani","Bruno R. R. Boaretto","Elbert E. N. Macau"}

{nlin.CD,physics.data-an}

Diese Forschungsarbeit schlägt eine neue Methode vor, extreme Ereignisse in Zeitreihen chaotischer dynamischer Systeme mithilfe von maschinellem Lernen zu prognostizieren. Das Studium konzentriert sich auf die Hénon-Karte, ein zweidimensionales Modell, das für sein chaotisches Verhalten bekannt ist. Die Methode beinhaltet die Identifizierung von Zeitfenstern, die extreme Ereignisse vorausgehen, und die Nutzung von konvolutionären Neuronalen Netzen (CNNs), um Systemzustände zu klassifizieren. Das Forschungsteam analysiert zunächst die Hénon-Karte, um extreme Ereignisse zu identifizieren, die als seltene und erhebliche Abweichungen von der durchschnittlichen Verhalten des Systems definiert werden. Anschließend generieren sie ein Datenset durch die Segmentierung der Zeitreihe in Übergangsregime (TR) und normale Regime (N), wobei TR-Segmente extreme Ereignisse vorausgehen und N-Segmente nicht. Dieses Datenset wird verwendet, um ein CNN zu trainieren, das TR- und N-Segmente klassifiziert. Die Ergebnisse zeigen, dass das CNN-Modell eine hohe Genauigkeit bei der Vorhersage der normalen Regime erzielt, although die Vorhersage der Übergangsregime weiterhin eine Herausforderung darstellt, insbesondere für längere Intervalle und seltener Ereignisse. Die Methode erzielte einen Wert von über 80% der Erfolgsquote für die Vorhersage des Übergangsregimes bis zu 3 Schritten vor dem Auftreten des extremen Ereignisses. Die Studie zeigt das Potenzial von maschinellem Lernen bei der Analyse chaotischer Systeme ohne vollständiges Wissen über die zugrunde liegenden Dynamiken auf. Die Forschung hebt auch die Bedeutung der Auswahl geeigneter Parameter für das Modell hervor, wie z.B. Fenstergröße, Vorhersageintervall und Region nahe extremen Ereignissen. Die Ergebnisse deuten darauf hin, dass die Methode die Informationen des Übergangs nicht allzu weit und einige Schritte vor dem Auftreten des extremen Ereignisses erfasst hat. Die Studie trägt zur bestehenden Anstrengung bei, maschinelles Lernen zur Erkennung von Übergängen und Vorhersage von extremen Ereignissen in chaotischen Systemen anzuwenden. Das Forschungsteam plant, adaptive Schwellenwerttechniken zu erkunden, das Framework zu erweitern, um realweltliche Systeme mit zeitlicher Variabilität zu berücksichtigen, und die Methode auf andere chaotische Systeme mit unterschiedlicher Dynamik anzuwenden.