Résumé - Approche de prévision d'événements extrêmes dans les séries temporelles de systèmes dynamiques chaotiques en utilisant des techniques d'apprentissage automatique

Approche de prévision d'événements extrêmes dans les séries temporelles de systèmes dynamiques chaotiques en utilisant des techniques d'apprentissage automatique

2025-07-10 15:07:06

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

{nlin.CD,physics.data-an}

Cette étude propose une méthode novatrice pour prédire des événements extrêmes dans les séries temporelles de systèmes dynamiques chaotiques en utilisant des techniques d'apprentissage automatique. L'étude se concentre sur la carte de Hénon, un modèle à deux dimensions connu pour son comportement chaotique. La méthode implique l'identification de fenêtres temporelles précédant les événements extrêmes et l'utilisation de réseaux de neurones convolutifs (CNN) pour classifier les états du système. L'équipe de recherche analyse d'abord la carte de Hénon pour identifier les événements extrêmes, qui sont définis comme des déviations rares et significatives par rapport au comportement moyen du système. Ils génèrent ensuite un ensemble de données en segmentant la série temporelle en régimes de transition (TR) et en régimes normaux (N), où les segments TR précèdent les événements extrêmes et les segments N ne le font pas. Cet ensemble de données est utilisé pour entraîner un CNN pour classer les segments TR et N. Les résultats montrent que le modèle CNN atteint une haute précision dans la prédiction des régimes normaux, bien que la prédiction des régimes de transition reste un défi, en particulier pour des intervalles plus longs et des événements plus rares. La méthode présente un taux de succès supérieur à 80% pour prédire le régime de transition jusqu'à 3 étapes avant l'occurrence de l'événement extrême. L'étude démontre le potentiel de l'apprentissage automatique dans l'analyse des systèmes chaotiques sans une connaissance complète des dynamiques sous-jacentes. La recherche met également en lumière l'importance de sélectionner des paramètres appropriés pour le modèle, tels que la taille de la fenêtre, l'intervalle de prévision et la région à proximité de l'événement extrême. Les résultats suggèrent que la méthode a capturé l'information de la transition pas trop loin et quelques étapes avant l'occurrence de l'événement extrême. Cette étude contribue aux efforts actuels visant à appliquer l'apprentissage automatique pour détecter les transitions et prédire des événements extrêmes dans les systèmes chaotiques. L'équipe de recherche prévoit d'explorer des techniques de seuil adaptatif, d'étendre le cadre pour inclure des systèmes réels avec des variations temporelles et d'appliquer la méthode à d'autres systèmes chaotiques avec des dynamiques distinctes.