Maschinelles Lernen macht mechanistische Modelle zu Prognosewerkzeugen

In einer bahnbrechenden Veröffentlichung auf arXiv haben Forscher gezeigt, wie klassische mechanistische Modelle durch den Einsatz von maschinellem Lernen zu hochpräzisen Vorhersagewerkzeugen werden können. Anstatt die bekannten Gleichungen mit festen Koeffizienten zu belassen, lassen sie bestimmte Parameter im Zeitverlauf schwanken und lernen deren Entwicklung direkt aus Messdaten.

Der Ansatz kombiniert die Stärken von datengetriebenen Entdeckungsmethoden mit der Flexibilität von Zeitreihenanalyse. Durch die Einbettung von zeitvariablen Parametern entsteht ein System von Differentialgleichungen, das sowohl konstante als auch dynamische Einflussfaktoren berücksichtigt. Anschließend werden die zukünftigen Parameterwerte vorhergesagt und in die Gleichungen eingesetzt, wodurch ein robustes Prognosemodell entsteht.

Die Methode wurde an vier unterschiedlichen Datensätzen getestet: dem Susceptible‑Infected‑Recovered (SIR)-Modell, einem Konsumenten‑Ressourcen‑System, Konzentrationsdaten von Treibhausgasen und Zellzählungen von Cyanobakterien. Für das Lernen der Zeitreihen erreichte das Modell einen mittleren absoluten Fehler von unter 3 % und konnte für Vorhersagen bis zu einem Monat im Voraus einen Fehler von weniger als 6 % erzielen.

Im Vergleich zu etablierten Machine‑Learning‑Algorithmen wie CNN‑LSTM und Gradient Boosting Machine (GBM) übertraf das neue Modell die meisten Datensätze deutlich. Die Ergebnisse unterstreichen, dass die Integration von zeitvariablen Parametern in die datengetriebene Entdeckung von Differentialgleichungen sowohl die Modellgenauigkeit als auch die Vorhersagekraft erheblich steigert.