Data-driven predictions of the Lorenz system - Archive ouverte HAL Access content directly
Journal Articles Physica D: Nonlinear Phenomena Year : 2020

Data-driven predictions of the Lorenz system

Prédictions orientées données du système de Lorenz

Abstract

This paper investigates the use of a data-driven method to model the dynamics of the chaotic Lorenz system. An architecture based on a recurrent neural network with long and short term dependencies predicts multi-step ahead the position and velocity of a particle using a sequence of past states as input. To account for modeling errors and make a continuous forecast, an artificial neural network assimilate online data to detect and reconstruct wrong predictions such as non-relevant switchings between lobes. The data-driven strategy leads to good prediction scores and does not require statistics of errors to be known, thus proving significant benefits compared to a simple Kalman filter update.
Ce papier s’intéresse à l’utilisation d’une méthode orientée données pour modéliser la dynamique du système chaotique de Lorenz. Une architecture de modèle basé sur un réseau de neurones récurrents avec petite et longue dépendance prédit plusieurs pas de temps dans le futur la position et la vitesse d’une particule à partir d’une séquence passée d’états. Pour prendre en compte les erreurs de modélisation et faire une prédiction continue, un réseau de neurones artificiels assimile des données temps réel pour détecter et reconstruire les mauvaises prédictions, comme des changements de lobes non pertinents. La stratégie présentée amène à de bons score de prédictions et ne nécessite pas que la statistique de l’erreur soit connue, présentant ainsi un avantage conséquent par rapport à un simple filtre de Kalman.
Fichier principal
Vignette du fichier
DAAA19190.1587487898_postprint.pdf (626.86 Ko) Télécharger le fichier
Origin Files produced by the author(s)
Loading...

Dates and versions

hal-02475962 , version 1 (12-02-2020)
hal-02475962 , version 2 (10-06-2020)

Identifiers

Cite

Pierre Dubois, Thomas Gomez, Laurent Planckaert, Laurent Perret. Data-driven predictions of the Lorenz system. Physica D: Nonlinear Phenomena, 2020, 408, pp.132495. ⟨10.1016/j.physd.2020.132495⟩. ⟨hal-02475962v2⟩
187 View
2547 Download

Altmetric

Share

Gmail Mastodon Facebook X LinkedIn More