Прогнозирование сложных систем, таких как климат или турбулентность, часто упирается в незнание точных уравнений. Классический путь — подбирать параметрические модели, но их предсказательная сила зависит от выбора модели и алгоритма подгонки. Альтернатива — непараметрические методы, которые строят прогноз прямо по данным. Эта работа стоит рядом с исследованиями, использующими локальную линеаризацию сдвиговых отображений, но делает шаг вперёд: вместо предсказания лишь средних значений она восстанавливает всю эволюцию распределения вероятности, что критично для оценки неопределённости.
Ключевая идея — представить оператор сдвига по времени в базисе гладких функций, полученных алгоритмом диффузионных отображений с переменной шириной ядра. Этот базис минимизирует ошибку аппроксимации стохастического интеграла, возникающего при оценке полугруппы. На практике по временному ряду строят матрицу переходов между значениями базисных функций на соседних шагах, а затем используют её для эволюции коэффициентов начальной плотности. Метод не требует знания векторного поля или тензора диффузии и работает при любом шаге дискретизации.
На стохастическом уравнении на торе с неградиентным сносом и анизотропной диффузией диффузионный прогноз точно воспроизвёл эволюцию первых двух моментов, совпав с ансамблевым прогнозом из 50 000 траекторий. Для модели Лоренца-63 метод показал значительное улучшение по сравнению с локально-линейными методами: при шаге 0.1 итеративный локальный прогноз накапливал смещение и завышал дисперсию, тогда как диффузионный прогноз сохранял согласованность с ансамблевым эталоном. На реальных данных индекса Эль-Ниньо 3.4 прогноз на 14 месяцев достиг корреляции 0.64 и RMSE 0.60, что лучше ранее опубликованного результата (корреляция 0.4, RMSE 1.4).
Работа показывает, что можно строить вероятностные прогнозы для систем с неизвестной динамикой, не оценивая явно коэффициенты уравнения. В отличие от соседних работ, которые либо оценивают векторное поле в окружающем пространстве, либо используют локальные линейные модели, здесь напрямую аппроксимируется полугруппа на многообразии, что снижает требования к данным и повышает устойчивость прогноза. Это расширяет применимость непараметрических методов на задачи с существенной неопределённостью.
Возможно объединение локальных линейных моделей через диффузионный базис для построения глобальной модели, уважающей инвариантную меру. Также перспективно разделение наблюдательного и динамического шума для более точной оценки структуры аттрактора. Теоретический вопрос о приближении фрактальных аттракторов гладкими многообразиями остаётся открытым и может стать основой для дальнейших исследований.
Метод может быть полезен в климатологии, океанографии и других областях, где есть длинные временные ряды и необходимость вероятностных прогнозов.
Следующим шагом может быть применение метода к более сложным климатическим данным и сравнение с операционными моделями прогноза.
В области непараметрического прогнозирования остаётся проблема оценки неопределённости для хаотических систем с положительными показателями Ляпунова. Данная работа предлагает один из путей решения через марковскую аппроксимацию, но вопрос о точности такой аппроксимации для фрактальных аттракторов требует дальнейшего изучения.
Метод диффузионных отображений, лежащий в основе прогноза, изначально разрабатывался для анализа многомерных данных, например изображений, и лишь позже был адаптирован для динамических систем.