Когда мы смотрим на график температуры за год, мы видим волны: летом теплее, зимой холоднее. Эти волны — ритмы данных. Но иногда ритмы не такие явные: например, скорость ветра может меняться каждые 12 часов из-за приливов. Простые модели хорошо описывают общую форму волн, но если реальные данные сложнее, модель ошибается. Сложные модели гибче, но они часто сглаживают резкие пики, и мы теряем важные детали.

Новый метод работает как художник, который сначала делает черновой набросок простой моделью, а потом добавляет детали с помощью гибкой коррекции. Сначала данные описываются векторной авторегрессией (VAR) — моделью, где текущее значение зависит от прошлых значений. Потом в частотной области (где данные раскладываются на волны разной длины) вводится корректирующая матрица. Она исправляет ошибки простой модели. На эту матрицу накладывается гибкое распределение, которое позволяет ей адаптироваться к данным.

В тестах метод сравнивали с чисто простой и чисто сложной моделями. Когда простая модель была верна, новый метод был почти так же точен, как сложный. Когда простая модель была неверна, новый метод превосходил оба: ошибка была 0.081 против 0.097 у сложного и 0.156 у простого. Это значит, что метод надёжен в разных ситуациях. Он был применён к данным о климате (индекс Южного колебания) и скорости ветра, и везде находил скрытые ритмы, которые другие подходы упускали. Теперь у исследователей есть инструмент, который сочетает точность простого с гибкостью сложного.