La modélisation dynamique empirique (EDM) est une approche fondée sur les données pour comprendre et prévoir le comportement de systèmes dynamiques complexes et non linéaires. Contrairement aux modèles statistiques traditionnels qui supposent une forme fonctionnelle fixe (par exemple, la régression linéaire), l'EDM reconstruit l'espace des états du système sous-jacent à partir des seules séries temporelles observées. Elle repose sur le théorème de Takens, qui stipule qu'une série temporelle scalaire unique peut être plongée dans un espace de dimension supérieure pour retrouver l'attracteur du système, à condition que la dimension de plongement soit suffisamment grande. L'EDM a été appliquée dans des domaines tels que l'écologie, l'épidémiologie, la climatologie et les neurosciences, où les systèmes sont souvent non stationnaires et présentent des dynamiques chaotiques.
L'idée centrale de l'EDM est de traiter les données observées comme le système lui-même, plutôt que d'ajuster un modèle paramétrique. En construisant un plongement à coordonnées retardées à partir d'une série temporelle, l'EDM crée une ombre de l'espace des états réel. Les prévisions sont faites en trouvant les plus proches voisins dans cet espace reconstruit et en projetant leurs trajectoires vers l'avant. Cette approche évite le besoin d'équations explicites, ce qui la rend particulièrement adaptée aux systèmes dont les mécanismes sous-jacents sont inconnus ou trop complexes pour être modélisés analytiquement.
Développement historique
Les fondements théoriques de l'EDM ont été posés dans les années 1980, à la suite des travaux de Floris Takens, qui a prouvé en 1981 que les plongements à retard peuvent reconstruire la dynamique d'un système à partir d'une seule observable. Au début des années 1990, des chercheurs comme George Sugihara et Robert May ont appliqué ces idées aux séries temporelles écologiques, démontrant que la prévision non linéaire pouvait distinguer les dynamiques chaotiques des dynamiques stochastiques. L'article de Sugihara de 1994 sur la « prévision non linéaire comme moyen de distinguer le chaos de l'erreur de mesure » a été déterminant, montrant que l'EDM pouvait surpasser les modèles linéaires dans les prévisions à court terme pour les systèmes biologiques.
Au cours des décennies suivantes, l'EDM a été étendue avec des méthodes comme la projection simplex et la carte S-Map (cartes linéaires globales pondérées localement séquentielles). Ces techniques ont permis à la fois la prévision et l'identification des relations causales entre variables. En 2012, Sugihara et ses collègues ont introduit le mappage croisé convergent (CCM), une méthode qui utilise les principes de l'EDM pour inférer la causalité à partir de séries temporelles, et qui est devenue largement utilisée en écologie et en science du climat.
Méthodes principales
L'EDM englobe plusieurs techniques connexes, toutes fondées sur le même principe de plongement. La plus basique est la projection simplex, qui utilise un seul plus proche voisin dans l'espace des états reconstruit pour faire des prévisions. Le nombre de voisins peut être varié, et la dimension de plongement optimale est souvent choisie par validation croisée. La carte S-Map améliore la simplex en ajustant un modèle linéaire local pondéré par la distance au point cible, ce qui permet de capturer plus efficacement les non-linéarités.
Le mappage croisé convergent (CCM) est un outil d'inférence causale dérivé de l'EDM. Il teste si une série temporelle contient des informations sur une autre en examinant si la compétence de prévision d'une variable s'améliore à mesure que davantage de données historiques sont incluses. Si la variable X cause Y, alors l'état de Y devrait contenir des informations sur X, et le CCM peut détecter cela même en présence de couplage faible ou de bruit. Le CCM a été appliqué à des problèmes allant de la dynamique des populations de sardines et d'anchois à l'interaction entre la température de surface de la mer et le CO2 atmosphérique.
Applications
En écologie, l'EDM a été utilisée pour prévoir les abondances de populations, détecter les interactions entre espèces et comprendre les changements de régime. Par exemple, des études sur les populations de sardines et d'anchois du Pacifique ont utilisé l'EDM pour révéler des relations non linéaires avec les facteurs environnementaux. En épidémiologie, l'EDM a été appliquée pour prévoir les épidémies de maladies infectieuses, comme la grippe et la dengue, en reconstruisant la dynamique de transmission à partir des rapports de cas.
En science du climat, l'EDM aide à analyser les téléconnexions et les boucles de rétroaction dans le système terrestre. Les chercheurs ont utilisé le CCM pour étudier l'influence causale de l'oscillation El Niño-Sud sur les modèles de température mondiale. En neurosciences, l'EDM a été employée pour analyser les trains de potentiels d'action neuronaux et les signaux EEG, révélant des dynamiques non linéaires sous-jacentes à l'activité cérébrale. La méthode est également utilisée dans l'analyse des séries temporelles financières, bien qu'avec prudence en raison du faible rapport signal sur bruit dans les marchés.
Comparaison avec d'autres approches
L'EDM diffère fondamentalement des méthodes conventionnelles d'apprentissage automatique comme apprentissage profond ou réseaux de neurones. Alors que ces méthodes nécessitent de grandes quantités de données et supposent souvent la stationnarité, l'EDM est conçue pour des séries temporelles courtes, bruitées et non stationnaires. Elle ne nécessite pas d'entraînement au sens traditionnel ; elle utilise plutôt les données directement pour la prévision. Cela rend l'EDM plus interprétable et moins sujette au surajustement lorsque les données sont rares.
Cependant, l'EDM a des limites. Elle suppose que le système est déterministe et que la variable observée est une fonction lisse de l'état. Le bruit de mesure peut dégrader les performances, et la méthode a du mal avec les systèmes de très haute dimension où la dimension de plongement devient impraticable. Contrairement aux modèles d'apprentissage automatique qui peuvent incorporer facilement des variables exogènes, l'EDM nécessite généralement une gestion soigneuse des séries temporelles multivariées.
Logiciels et considérations pratiques
Le package rEDM dans R et la bibliothèque pyEDM dans Python fournissent des implémentations de la simplex, de la carte S-Map et du CCM. Ces outils ont rendu l'EDM accessible aux chercheurs de diverses disciplines. Les étapes pratiques incluent la détermination de la dimension de plongement optimale (souvent via les plus proches voisins faux), le choix du nombre de voisins et la validation des prévisions sur des données retenues. La validation croisée est essentielle pour éviter le surajustement, et les performances de la méthode sont généralement comparées à des références linéaires comme ARIMA.
Recherche actuelle et orientations futures
Des travaux récents ont étendu l'EDM pour gérer les plongements multivariés, les données manquantes et l'échantillonnage temporel non uniforme. Les chercheurs combinent également l'EDM avec des techniques d'intelligence artificielle, comme l'utilisation d'encodeurs à réseaux de neurones pour apprendre des plongements à partir de données brutes, bien que cela reste un domaine d'exploration actif. L'intégration de l'EDM avec la découverte causale et l'apprentissage automatique est une frontière prometteuse, en particulier pour les systèmes complexes où les modèles mécanistes ne sont pas disponibles.
Au début des années 2020, l'EDM continue d'être un outil précieux dans la boîte à outils de l'écologue quantitatif, et ses principes ont influencé des domaines aussi divers que la robotique et l'économie. Son accent sur la modélisation fondée sur les données et sans équations s'aligne avec l'intérêt croissant pour la science des systèmes complexes et le besoin de prévisions robustes dans un monde en évolution.