从流数据学习预测动力系统
动力系统
2021-09-22 v2 机器学习
数值分析
数值分析
摘要
核类比预测（KAF）是一种用于动态生成时间序列数据的数据驱动、非参数预测的强有力方法。该方法在Koopman算子理论中有严格基础，并在实践中产生良好预测，但它承受着核方法常见的沉重计算代价。本文提出一种KAF的流式算法，仅需对训练数据单次遍历。该算法在不牺牲预测能力的前提下显著降低了训练与预测代价。计算实验表明，流式KAF方法能在数据稀缺与数据充裕两种情形下成功预测数类动力系统（周期的、准周期的和混沌的）。作为流式核回归的新模板，该总体方法学可能引起更广泛的关注。
引用
@article{arxiv.2109.09703,
title = {Learning to Forecast Dynamical Systems from Streaming Data},
author = {Dimitris Giannakis and Amelia Henriksen and Joel A. Tropp and Rachel Ward},
journal= {arXiv preprint arXiv:2109.09703},
year = {2021}
}
备注
30 pages, 3 tables, 8 figures