Você tem que segurar seu guarda -chuva antes de sair pela porta? O avanço do clima só ajudará se isso prever preciso.
Problemas de divulgação espacial, como previsão climática ou previsões de ar, envolve prever o número de flexibilidade em um novo local com base nas quantidades conhecidas em algumas áreas. Os cientistas geralmente usam métodos de verificação e maneiras práticas de descobrir quanto você deve confiar nessas previsões.
Mas os pesquisadores do MIT mostraram que essas garantias populares podem usar mal a previsão local. Isso pode levar alguém a acreditar que a previsão está correta ou que uma nova previsão é eficaz, onde na verdade não é.
Os investigadores cultivam um processo de previsões – métodos de verificação e usam isso para provar que duas maneiras antigas podem fazer o que há de errado com os problemas locais. Eles decidiram por que esses métodos falham e formam uma nova maneira projetada para gerenciar tipos de dados de previsões locais.
No teste de dados original e intencional, sua nova abordagem deu uma confirmação mais comum do que duas estratégias comuns. Os investigadores consideraram cada método usando problemas lógicos, incluindo a previsão da velocidade do ar em Chicago Ohare no aeroporto e prevendo a temperatura do ar em cinco temperaturas americanas.
Seu método de verificação pode ser incluído em vários problemas, ajudando os cientistas do estado a prever temperaturas do mar para ajudar os epidemiologistas a estimar os resultados da poluição do ar.
Felizmente, isso resultará em um exame confiável quando as pessoas inventarem novas maneiras de prever e entender o quão bem elas funcionam “, o melhor professor do Departamento de Tecnologia e do Público, e um computador de computador e computação eletrônica e laboratório de inteligência eletrônica
Broderick é compilado ao artigo pelo autor principal e pelo MIT PostDoc David R. Burt e Easterweh Student Yini Shen. O estudo será introduzido na Conferência Internacional com transmissão e estatística.
Para explorar a verificação
O grupo de Broderick trabalhou recentemente com financeiros e astrônomos para desenvolver máquinas de previsão de máquinas que podem ser usadas para problemas com uma parte sólida da área.
Para este trabalho, eles percebem que os métodos tradicionais de verificação podem ser dramáticos em ambientes locais. Esses métodos mantêm uma pequena quantidade de treinamento, chamados dados de verificação, e o usam para verificar a precisão da previsão.
Descobrindo a causa do problema, eles analisam cuidadosamente e decidem que os métodos tradicionais produzem idéias de dados que não são apropriadas para dados locais. Os métodos de exame estão sujeitos a consideração sobre os detalhes da verificação e um dados que requerem previsão, chamados de dados de teste, relacionados a.
Os métodos tradicionais pensam que os dados de verificação e os dados de teste são independentes e, na distribuição visível, o que significa que a quantidade de qualquer site de dados não depende de outros pontos de dados. Mas no aplicativo local, isso não é.
Por exemplo, um cientista pode usar dados de verificação do exame do nervo pornográfico da precisão da poluição do ar na economia. No entanto, os nervos da EPA são independentes – eles foram ouvidos com base em outros nervos.
Além disso, talvez os dados de verificação apareçam nos nervos da EPA perto das cidades enquanto os locais de armazenamento doméstico. Como essas informações vêm de diferentes locais, elas podem ter diferentes figuras de matemática, para que não sejam mais distribuídas.
“Nosso exame mostrou que ele encontra as respostas erradas na classe local, onde se pensa em verificação”, disse Broderick.
Os investigadores precisam vir e pensar novos.
Especialmente o lugar
Pensando correto sobre o contexto local, onde os dados são registrados em diferentes locais, criam um método que os dados de confirmação e os detalhes do teste variam do espaço.
Por exemplo, os níveis de poluição do ar são impossíveis de mudar mais entre duas casas vizinhas.
“Essa consideração geral é boa para muitos procedimentos locais e nos permite criar uma maneira de testar previsões locais nos domínios locais.
Para usar o processo de teste, incluirá sua previsão, busca de áreas e dados de verificação e depois age automaticamente. Eventualmente, estima -se que a situação não seria precisa em questão. No entanto, o exame efetivo de seu processo de verificação se tornou um desafio.
“Não envergonhamos o caminho, em vez disso, examinamos o exame. Portanto, tivemos que voltar, pensar com cuidado, para considerar como podemos usar”, explica Broderick.
Primeiro, eles projetaram vários testes usando dados de redefinição, que tinham recursos sem sentido, mas permitiram que eles passassem por parâmetros principais. Em seguida, eles criam dados lógicos, com dinheiro usado corrigindo dados reais. Por fim, use dados reais para vários dados de teste.
Através de três tipos de dados de problemas, como um preço de apartamento na Inglaterra com base em seu lugar e na pressão do ar preditiva, faz com que eles realizem um exame completo. Em muitos artigos, seu processo era mais preciso do que a maneira tradicional em comparação com ele.
No futuro, os pesquisadores planejam usar essas estratégias para melhorar as incertezas em ambientes locais. Eles também querem encontrar alguns lugares onde o pensamento do normal pode melhorar os preditores, como os detalhes da série temporal.
Este estudo é financiado, em parte, pela National Science Foundation e pelo Changal Research Office.
