基于觀測數(shù)據(jù)，尤其是短期時間序列的數(shù)據(jù)，做出準確的預測是各個學科(從分子生物學，神經科學，地球科學，經濟學到大氣科學)的重要課題，原因是數(shù)據(jù)可用性或時-平穩(wěn)性。但是，大多數(shù)現(xiàn)有方法需要足夠長的時間序列測量或大量樣本，并且由于缺乏信息，因此沒有有效的方法可用于短期時間序列的預測。

為了解決這個問題，中國科學研究院生物化學與細胞生物學研究所的陳洛南教授，中山大學的陳川博士，蘇州大學的馬煥飛教授和大學的相原和幸教授(東京都)提出了一種新的基于動力學的數(shù)據(jù)驅動方法，即預期學習機(ALM)，用于基于短期但高維數(shù)據(jù)實現(xiàn)精確的未來狀態(tài)預測。ALM是一個多層神經網(wǎng)絡其中將高維變量作為輸入神經元(多個變量，但在單個時間點)，而將目標變量作為輸出神經元(單個變量，但在多個時間點)。通過這種方式，ALM能夠通過空間-時間信息變換(STI)方程將高維變量的最新相關性/空間信息轉換為任何目標變量的未來動態(tài)/時間信息。

具體來說，可以使用Dropout方案和建議的一致訓練方案，通過大量生成的訓練樣本，對ALM進行良好的訓練，以表示STI方程的隨機分布嵌入(RDE)圖，從而以準確而準確的方式預測目標變量可靠的方式，即使是從短期數(shù)據(jù)中也是如此。來自合成系統(tǒng)和實際系統(tǒng)的短期高維數(shù)據(jù)的大量實驗表明，ALM的性能明顯優(yōu)于現(xiàn)有方法。

與挖掘原始高維系統(tǒng)的歷史統(tǒng)計數(shù)據(jù)并因此需要大量樣本的傳統(tǒng)??神經網(wǎng)絡(或其他機器學習方法)相比，ALM即使約束了少量樣本，也可以有效而穩(wěn)健地重建其動力學。低維空間，實際上是這種耗散系統(tǒng)的固有屬性。通過學習STI方程，基于非線性動力學將所有測得的高維變量的空間信息轉換為目標變量的時間演化，ALM為基于動力學的機器學習或“智能”預期學習開辟了一條新途徑。

“如何通過觀察到的噪聲數(shù)據(jù)考慮動力學系統(tǒng)的強非線性或/和隨機性，以及如何進行更深入的理論分析并考慮這些問題進一步開發(fā)合適的框架仍然是一個開放而有趣的問題。將來，”作者說。