使用机器学习技术预测混沌动力系统时间序列中极端事件的方法
混沌动力学
2025-07-11 v1 数据分析、统计与概率
摘要
本研究提出了一种利用机器学习预测混沌动力系统时间序列中极端事件的创新方法。研究聚焦于 Hénon 映射的时间序列，这是一个以其混沌行为而闻名的二维模型。该方法包括识别预示极端事件的时间窗口，使用卷积神经网络对系统状态进行分类。通过重构吸引子并对状态（正常和过渡）进行分类，该模型在预测正常状态时表现出高准确率，尽管预测过渡状态仍具挑战性，特别是对于较长的时间间隔和较罕见的事件。该方法在预测极端事件发生前最多 3 步的过渡状态方面取得了超过 80% 的成功率。尽管系统混沌特性带来了局限性，该方法为进一步探索替代神经网络架构和更广泛的数据集以增强预测能力开辟了道路。
引用
@article{arxiv.2507.07834,
title = {Approach to predicting extreme events in time series of chaotic dynamical systems using machine learning techniques},
author = {Alexandre C. Andreani and Bruno R. R. Boaretto and Elbert E. N. Macau},
journal= {arXiv preprint arXiv:2507.07834},
year = {2025}
}