Badacze z dziedziny uczenia maszynowego opracowali CGDT-CESN (Correlation-Guided and Dynamics-Trained Clustered Echo State Network), nową architekturę sieci neuronowej przeznaczoną do prognozowania wielowymiarowych szeregów czasowych. Kluczową innowacją jest modułowa budowa rezerwuaru, w której każdy klaster specjalizuje się w obsłudze jednej zmiennej, a połączenia między klastrami są ustalane na podstawie empirycznie obserwowanych korelacji między zmiennymi.
Proponowane podejście rozwiązuje jeden z fundamentalnych problemów w prognozowaniu szeregów czasowych: jednoczesne uchwycenie dynamiki poszczególnych zmiennych oraz ich wzajemnych zależności. Tradycyjne Echo State Networks (ESN) trudno radzą sobie z ręcznym modelowaniem powiązań między zmiennymi, co prowadzi do mniej dokładnych prognoz. CGDT-CESN trenuje nie tylko klasyczne wagi wyjściowe, ale także wagi połączeń między klastrami kierowane korelacjami, pozwalając sieci na adaptacyjne uchwycenie zmiennych w czasie zależności bez utraty efektywności obliczeniowej.
Wartość praktyczna rozwiązania potwierdzają eksperymenty na dwóch odmiennych zbiorach danych - prognozowaniu ewolucji kaskad informacyjnych na Twitterze oraz przewidywaniu zmian wiatru słonecznego. Model wykazał przewagę nad konwencjonalnymi ESN na wielu horyzontach predykcji, a jego wydajność pozostała wysoka nawet przy ograniczonej ilości danych treningowych. To otwarcie drogi dla bardziej efektywnych architektur neuronowych w dziedzinie analizy dużowymiarowych procesów czasowych.