东京大学和Kozo Keikaku Engineering Inc.的研究人员介绍了一种增强现有算法的能力的方法，该算法可以预测未知时间序列的未来。通过将许多次优预测的预测结合起来，他们能够构造出一个趋于优于现有方法的共识预测。这项研究可能有助于提供洪水，经济冲击或天气变化的预警。

例如，在时间序列数据中，回转图可能表示河流的水位，股票价格或城市的每日高温。对时间序列的未来运动的预先了解可用于避免或为将来的不良事件做准备。但是，预测非常困难，因为生成这些值的基本动力学是非线性的(即使假定为确定性的)，因此会受到剧烈波动的影响。

延迟嵌入是一种广泛使用的方法，可用于理解时间序列数据并尝试预测将来的值。这种方法采用一系列观察，并将当前值与过去均匀间隔的滞后值组合在一起，将它们“嵌入”到更高维度的空间中。例如，要创建S&P 500收盘价的三维延迟嵌入，您可以将今天，昨天和前一天的收盘价分别作为x坐标，y坐标和z坐标。但是，嵌入维数和延迟滞后的可能选择使得找到最有用的表示方法可以使预测成为一个反复试验的问题。

现在，东京大学和Kozo Keikaku Engineering Inc.的研究人员已经展示了一种选择和优化延迟嵌入集合的方法，从而使它们的组合预测比任何单个预测器都更好。第一作者Shunya Okuno解释说：“我们发现，共识的预测比单独的预测要好，'人群的智慧'是正确的。”

研究人员在真实的洪水数据以及具有混沌行为的理论方程式上测试了他们的方法。高级作者平田佳人说：“我们希望这种方法将在预测时间序列数据中找到许多实际应用，并重振延迟嵌入的使用。” 预测未来系统状态是神经科学，生态学，金融，流体动力学，天气和灾难预防等许多领域的重要任务，因此，这项工作具有广泛的应用潜力。该研究发表在《科学报告》上。