Pronóstico libre de modelos de series temporales no lineales

Área de la Ciencia:

• Epidemiología; Análisis de Sistemas Complejos; Pronóstico de Series Temporales

Sus antecedentes:

• La pandemia de COVID-19 subrayó la necesidad de un análisis eficaz de la progresión de las enfermedades infecciosas.
• Los modelos epidemiológicos tradicionales requieren el ajuste de datos, pero es posible la evaluación directa de series temporales ruidosas y no lineales.
• Las capacidades de pronóstico a corto plazo son esenciales para la analítica epidemiológica práctica.

Objetivo del estudio:

• Evaluar un enfoque novedoso e independiente del modelo para analizar y pronosticar series temporales no lineales.
• Evaluar la utilidad de los análisis retardados en el tiempo y los gráficos del espacio de características para predecir la propagación de enfermedades.
• Determinar si el aprendizaje automático puede proporcionar pronósticos precisos a corto plazo sin la construcción de modelos tradicionales.

Principales métodos:

• Se utilizaron infecciones nuevas normalizadas por día (promedio móvil de 7 días por millón de habitantes) de Our World in Data.
• Se aplicaron análisis retardados en el tiempo y gráficos del espacio de características que incorporan datos retardados en el tiempo.
• Se validó el método en series temporales no lineales no relacionadas de mercados bursátiles y poblaciones de moscas.

Principales resultados:

• Los modelos de aprendizaje automático lograron predicciones de progresión excelentes utilizando aproximadamente el 80% de los datos de series temporales para el entrenamiento.
• Los gráficos del espacio de características, después de la calibración dinámica, mostraron picos en el exponente de Lyapunov local máximo que coincidían con los picos de propagación infecciosa.
• El análisis de información mutua promedio reveló señales anticipatorias de nuevos picos de infección en varios retardos de tiempo y longitudes de onda.

Conclusiones:

• El análisis de series temporales no lineales puede extraer características predictivas para pronósticos a corto plazo sin la construcción de modelos.
• El análisis retardado en el tiempo ofrece una base sólida para analizar datos temporales complejos.
• Los enfoques de aprendizaje automático demostraron un rendimiento pronóstico superior en este marco independiente del modelo.