pixabay
從天氣預測到股票預測，從疾病預測到基因組表達預測，從過去的資料出發預測未來趨勢（時序預測）在許多領域都有應用。傳統的時序預測方法多是基於統計學或者機器學習，需要足夠長期的大樣本時序資料，才能做出相對準確的預測。
而如果資料的時間長度不足，又該怎麼辦呢？在最近發表於《國家科學評論》（National Science Review， NSR）的一篇文章中，研究者提出了
面向小樣本時序預測的預見性學習機器（ALM: Anticipated Learning Machine）方法
，該方法建立了多變數的短期資料（高維短期時序資料）與預測變數的長期資料（低維長期時序資料）之間的對映關係，從而為該類問題提供了新的解決方案。
實驗表明，ALM（預見性學習機器）方法在洛倫茲系統、基因表達預測、風速預測、股票預測、車流量預測、颱風路徑預測等多個實際資料集（都為小樣本）上都能做出準確的多步預測。
具體來講，研究者在神經網路框架下，結合動力學的隨機分佈嵌入理論 （RDE： Randomly Distributed Embedding），採用全新的空間-時間資訊轉換（STI： Spatial-Temporal Information transformation）方法，從而建立了ALM神經網路。與傳統學習的近似對映相比，ALM具有優秀的非線性函式學習能力，因而可以更好的模擬STI對映。另外，ALM的Dropout也可以很好的模擬隨機取樣過程，因此，ALM可以綜合多個子取樣系統中的動力學資訊，從而進行多步預測。
ALM： 預見性學習機器 （神經網路）
實際複雜系統多為時變系統，只有最近觀測的資料才對未來預測更有效，所以即使是觀測了大樣本，實際有效資料都為小樣本。該工作對於小樣本的時間序列資料分析提供了全新的預見性學習機器方法，不僅可用於時間序列的多步預測，也可應用於人工智慧及腦科學中的小樣本資料構建和全新學習建立等。
該研究由中國科學院生物化學與細胞生物學研究所繫統生物學重點實驗室
陳洛南
研究組、中山大學
陳川
副研究員、蘇州大學
馬歡飛
教授、東京大學
合原一幸
（Kazuyuki Aihara）教授等完成。
