预期学习机根据短期时间序列预测未来动力

基于观测数据，尤其是短期时间序列的数据，做出准确的预测是各个学科(从分子生物学，神经科学，地球科学，经济学到大气科学)的重要课题，原因是数据可用性或时-平稳性。但是，大多数现有方法需要足够长的时间序列测量或大量样本，并且由于缺乏信息，因此没有有效的方法可用于短期时间序列的预测。

为了解决这个问题，中国科学研究院生物化学与细胞生物学研究所的陈洛南教授，中山大学的陈川博士，苏州大学的马焕飞教授和大学的相原和幸教授(东京都)提出了一种新的基于动力学的数据驱动方法，即预期学习机(ALM)，用于基于短期但高维数据实现精确的未来状态预测。ALM是一个多层神经网络其中将高维变量作为输入神经元(多个变量，但在单个时间点)，而将目标变量作为输出神经元(单个变量，但在多个时间点)。通过这种方式，ALM能够通过空间-时间信息变换(STI)方程将高维变量的最新相关性/空间信息转换为任何目标变量的未来动态/时间信息。

具体来说，可以使用Dropout方案和建议的一致训练方案，通过大量生成的训练样本，对ALM进行良好的训练，以表示STI方程的随机分布嵌入(RDE)图，从而以准确而准确的方式预测目标变量可靠的方式，即使是从短期数据中也是如此。来自合成系统和实际系统的短期高维数据的大量实验表明，ALM的性能明显优于现有方法。

与挖掘原始高维系统的历史统计数据并因此需要大量样本的传统​​神经网络(或其他机器学习方法)相比，ALM即使约束了少量样本，也可以有效而稳健地重建其动力学。低维空间，实际上是这种耗散系统的固有属性。通过学习STI方程，基于非线性动力学将所有测得的高维变量的空间信息转换为目标变量的时间演化，ALM为基于动力学的机器学习或“智能”预期学习开辟了一条新途径。

“如何通过观察到的噪声数据考虑动力学系统的强非线性或/和随机性，以及如何进行更深入的理论分析并考虑这些问题进一步开发合适的框架仍然是一个开放而有趣的问题。将来，”作者说。