अनुभवजन्य गतिशील मॉडलिंग (EDM) जटिल, अरेखीय गतिशील प्रणालियों के व्यवहार को समझने और पूर्वानुमान लगाने के लिए एक डेटा-संचालित दृष्टिकोण है। पारंपरिक सांख्यिकीय मॉडलों के विपरीत, जो एक निश्चित कार्यात्मक रूप (जैसे, रैखिक प्रतिगमन) मानते हैं, EDM केवल देखी गई समय श्रृंखला से अंतर्निहित प्रणाली की अवस्था-स्थान का पुनर्निर्माण करता है। यह टेकेंस के प्रमेय पर आधारित है, जो बताता है कि एक एकल अदिश समय श्रृंखला को उच्च-आयामी स्थान में एम्बेड किया जा सकता है ताकि प्रणाली के आकर्षक को पुनर्प्राप्त किया जा सके, बशर्ते एम्बेडिंग आयाम पर्याप्त रूप से बड़ा हो। EDM को पारिस्थितिकी, महामारी विज्ञान, जलवायु विज्ञान और तंत्रिका विज्ञान में लागू किया गया है, जहां प्रणालियाँ अक्सर गैर-स्थिर होती हैं और अराजक गतिशीलता प्रदर्शित करती हैं।
EDM का मूल विचार देखे गए डेटा को स्वयं प्रणाली के रूप में मानना है, न कि एक पैरामीट्रिक मॉडल फिट करना। समय श्रृंखला से विलंब-निर्देशांक एम्बेडिंग का निर्माण करके, EDM सत्य अवस्था स्थान की एक छाया बनाता है। पुनर्निर्मित स्थान में निकटतम पड़ोसियों को खोजकर और उनके प्रक्षेप पथों को आगे प्रक्षेपित करके भविष्यवाणियाँ की जाती हैं। यह दृष्टिकोण स्पष्ट समीकरणों की आवश्यकता से बचता है, जिससे यह उन प्रणालियों के लिए विशेष रूप से उपयुक्त है जहां शासन तंत्र अज्ञात हैं या विश्लेषणात्मक रूप से मॉडल करने के लिए बहुत जटिल हैं।
ऐतिहासिक विकास
EDM की सैद्धांतिक नींव 1980 के दशक में रखी गई थी, जो फ्लोरिस टेकेंस के काम के बाद हुई, जिन्होंने 1981 में साबित किया कि विलंब एम्बेडिंग एक ही प्रेक्षण से प्रणाली की गतिशीलता का पुनर्निर्माण कर सकती है। 1990 के दशक की शुरुआत में, जॉर्ज सुगिहारा और रॉबर्ट मे जैसे शोधकर्ताओं ने इन विचारों को पारिस्थितिक समय श्रृंखला पर लागू किया, यह प्रदर्शित करते हुए कि अरेखीय पूर्वानुमान अराजक और स्टोकेस्टिक गतिशीलता के बीच अंतर कर सकता है। सुगिहारा का 1994 का पेपर "अराजकता को माप त्रुटि से अलग करने के तरीके के रूप में अरेखीय पूर्वानुमान" महत्वपूर्ण था, जिसमें दिखाया गया कि EDM जैविक प्रणालियों के अल्पकालिक पूर्वानुमान में रैखिक मॉडलों से बेहतर प्रदर्शन कर सकता है।
अगले दशकों में, EDM को सिम्प्लेक्स प्रोजेक्शन और एस-मैप (अनुक्रमिक स्थानीय रूप से भारित वैश्विक रैखिक मानचित्र) जैसी विधियों के साथ विस्तारित किया गया। इन तकनीकों ने पूर्वानुमान और चरों के बीच कारण संबंधों की पहचान दोनों की अनुमति दी। 2012 में, सुगिहारा और सहकर्मियों ने कन्वर्जेंट क्रॉस मैपिंग (CCM) पेश किया, एक विधि जो समय श्रृंखला से कार्य-कारण का अनुमान लगाने के लिए EDM सिद्धांतों का उपयोग करती है, जो पारिस्थितिकी और जलवायु विज्ञान में व्यापक रूप से उपयोग की जाती है।
मुख्य विधियाँ
EDM में कई संबंधित तकनीकें शामिल हैं, जो सभी एक ही एम्बेडिंग सिद्धांत पर आधारित हैं। सबसे बुनियादी सिम्प्लेक्स प्रोजेक्शन है, जो पूर्वानुमान लगाने के लिए पुनर्निर्मित अवस्था स्थान में एक एकल निकटतम पड़ोसी का उपयोग करता है। पड़ोसियों की संख्या भिन्न हो सकती है, और इष्टतम एम्बेडिंग आयाम अक्सर क्रॉस-सत्यापन द्वारा चुना जाता है। एस-मैप सिम्प्लेक्स में सुधार करता है, लक्ष्य बिंदु की दूरी से भारित एक स्थानीय रैखिक मॉडल फिट करके, जिससे यह अरेखीयताओं को अधिक प्रभावी ढंग से पकड़ सकता है।
कन्वर्जेंट क्रॉस मैपिंग (CCM) EDM से व्युत्पन्न एक कारण अनुमान उपकरण है। यह जांचता है कि क्या एक समय श्रृंखला में दूसरे के बारे में जानकारी है, यह देखकर कि क्या एक चर की भविष्यवाणी कौशल में सुधार होता है जब अधिक ऐतिहासिक डेटा शामिल किए जाते हैं। यदि चर X, Y का कारण बनता है, तो Y की अवस्था में X के बारे में जानकारी होनी चाहिए, और CCM कमजोर युग्मन या शोर की उपस्थिति में भी इसका पता लगा सकता है। CCM को सार्डिन-एंकोवी जनसंख्या गतिशीलता से लेकर समुद्री सतह के तापमान और वायुमंडलीय CO2 के बीच परस्पर क्रिया तक की समस्याओं पर लागू किया गया है।
अनुप्रयोग
पारिस्थितिकी में, EDM का उपयोग जनसंख्या बहुतायत का पूर्वानुमान लगाने, प्रजातियों के बीच परस्पर क्रियाओं का पता लगाने और शासन परिवर्तनों को समझने के लिए किया गया है। उदाहरण के लिए, प्रशांत सार्डिन और एंकोवी आबादी पर अध्ययनों ने पर्यावरणीय चालकों के साथ अरेखीय संबंधों को प्रकट करने के लिए EDM का उपयोग किया है। महामारी विज्ञान में, EDM को मामले की रिपोर्टों से संचरण गतिशीलता का पुनर्निर्माण करके इन्फ्लूएंजा और डेंगू बुखार जैसे संक्रामक रोगों के प्रकोप की भविष्यवाणी करने के लिए लागू किया गया है।
जलवायु विज्ञान में, EDM पृथ्वी प्रणाली में टेलीकनेक्शन और प्रतिक्रिया लूपों का विश्लेषण करने में मदद करता है। शोधकर्ताओं ने वैश्विक तापमान पैटर्न पर अल नीनो-दक्षिणी दोलन के कारण प्रभाव का अध्ययन करने के लिए CCM का उपयोग किया है। तंत्रिका विज्ञान में, EDM को तंत्रिका स्पाइक ट्रेनों और EEG संकेतों का विश्लेषण करने के लिए नियोजित किया गया है, जो मस्तिष्क गतिविधि के अंतर्निहित अरेखीय गतिशीलता को प्रकट करता है। यह विधि वित्तीय समय श्रृंखला विश्लेषण में भी उपयोग की जाती है, हालांकि बाजारों में कम सिग्नल-से-शोर अनुपात के कारण सावधानी के साथ।
अन्य दृष्टिकोणों के साथ तुलना
EDM पारंपरिक मशीन लर्निंग विधियों जैसे Deep learning या Neural network दृष्टिकोणों से मौलिक रूप से भिन्न है। जबकि उन विधियों को बड़ी मात्रा में डेटा की आवश्यकता होती है और अक्सर स्थिरता मान लेते हैं, EDM को छोटी, शोरगुल वाली, गैर-स्थिर समय श्रृंखला के लिए डिज़ाइन किया गया है। इसे पारंपरिक अर्थों में प्रशिक्षण की आवश्यकता नहीं होती; इसके बजाय, यह भविष्यवाणी के लिए डेटा का सीधे उपयोग करता है। यह EDM को अधिक व्याख्या योग्य और डेटा की कमी होने पर ओवरफिटिंग के प्रति कम प्रवण बनाता है।
हालांकि, EDM की सीमाएँ हैं। यह मानता है कि प्रणाली नियतात्मक है और देखा गया चर अवस्था का एक सुचारू कार्य है। माप शोर प्रदर्शन को खराब कर सकता है, और विधि बहुत उच्च-आयामी प्रणालियों के साथ संघर्ष करती है जहां एम्बेडिंग आयाम अव्यावहारिक हो जाता है। Machine learning मॉडलों के विपरीत जो बाहरी चर को आसानी से शामिल कर सकते हैं, EDM को आमतौर पर बहुभिन्नरूपी समय श्रृंखला के सावधानीपूर्वक संचालन की आवश्यकता होती है।
सॉफ्टवेयर और व्यावहारिक विचार
R में rEDM पैकेज और Python में pyEDM लाइब्रेरी सिम्प्लेक्स, एस-मैप और CCM के कार्यान्वयन प्रदान करते हैं। इन उपकरणों ने EDM को विभिन्न विषयों के शोधकर्ताओं के लिए सुलभ बना दिया है। व्यावहारिक चरणों में इष्टतम एम्बेडिंग आयाम का निर्धारण (अक्सर गलत निकटतम पड़ोसियों के माध्यम से), पड़ोसियों की संख्या चुनना, और आरक्षित डेटा पर भविष्यवाणियों को सत्यापित करना शामिल है। ओवरफिटिंग से बचने के लिए क्रॉस-सत्यापन आवश्यक है, और विधि के प्रदर्शन की तुलना आमतौर पर ARIMA जैसे रैखिक आधार रेखाओं से की जाती है।
वर्तमान अनुसंधान और भविष्य की दिशाएँ
हाल के काम ने EDM को बहुभिन्नरूपी एम्बेडिंग, लापता डेटा और गैर-समान समय नमूनाकरण को संभालने के लिए विस्तारित किया है। शोधकर्ता EDM को Artificial intelligence तकनीकों के साथ भी जोड़ रहे हैं, जैसे कि कच्चे डेटा से एम्बेडिंग सीखने के लिए Neural network एनकोडर का उपयोग, हालांकि यह अन्वेषण का एक सक्रिय क्षेत्र बना हुआ है। EDM का कारण खोज और Machine learning के साथ एकीकरण एक आशाजनक सीमा है, विशेष रूप से जटिल प्रणालियों के लिए जहां यांत्रिक मॉडल उपलब्ध नहीं हैं।
2020 के दशक की शुरुआत तक, EDM मात्रात्मक पारिस्थितिकीविद् के टूलकिट में एक मूल्यवान उपकरण बना हुआ है, और इसके सिद्धांतों ने रोबोटिक्स और अर्थशास्त्र जैसे विविध क्षेत्रों को प्रभावित किया है। डेटा-संचालित, समीकरण-मुक्त मॉडलिंग पर इसका जोर जटिल प्रणाली विज्ञान में बढ़ती रुचि और बदलती दुनिया में मजबूत पूर्वानुमान की आवश्यकता के साथ संरेखित है।