Resumen - Enfoque para predecir eventos extremos en series temporales de sistemas dinámicos caóticos utilizando técnicas de aprendizaje automático

Enfoque para predecir eventos extremos en series temporales de sistemas dinámicos caóticos utilizando técnicas de aprendizaje automático

2025-07-10 15:07:06

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

{nlin.CD,physics.data-an}

Este documento de investigación propone un nuevo método para predecir eventos extremos en series temporales de sistemas dinámicos caóticos utilizando técnicas de aprendizaje automático. El estudio se centra en el mapa de Hénon, un modelo bidimensional conocido por su comportamiento caótico. El método implica identificar ventanas temporales que preceden eventos extremos y utilizar redes neuronales convolucionales (CNN) para clasificar los estados del sistema. El equipo de investigación primero analiza el mapa de Hénon para identificar eventos extremos, que se definen como desviaciones raras y significativas del comportamiento promedio del sistema. Luego, generan un conjunto de datos mediante la segmentación de la serie temporal en regimes de transición (TR) y regimes normales (N), donde los segmentos de TR preceden eventos extremos y los segmentos de N no lo hacen. Este conjunto de datos se utiliza para entrenar una CNN para clasificar los segmentos de TR y N. Los resultados muestran que el modelo de CNN alcanza una alta precisión en la predicción de regimes normales, aunque la predicción de regimes de transición sigue siendo un desafío, especialmente para intervalos más largos y eventos más raros. El método presenta un resultado superior al 80% de éxito en la predicción del regime de transición hasta 3 pasos antes de la ocurrencia del evento extremo. El estudio demuestra el potencial del aprendizaje automático en el análisis de sistemas caóticos sin conocer completamente la dinámica subyacente. La investigación también resalta la importancia de seleccionar parámetros adecuados para el modelo, como el tamaño de la ventana, el intervalo de predicción y la región de eventos cercanos al extremo. Las conclusiones sugieren que el método ha capturado la información de la transición no demasiado lejos y unos pasos antes de que ocurra el evento extremo. El estudio contribuye al esfuerzo continuo de aplicar el aprendizaje automático para detectar transiciones y predecir eventos extremos en sistemas caóticos. El equipo de investigación planea explorar técnicas de umbralización adaptativa, extender el marco para admitir sistemas del mundo real con variabilidad temporal y aplicar el método a otros sistemas caóticos con dinámicas distintivas.