経験的動的モデリング（EDM）は、複雑で非線形な動的システムの挙動を理解し予測するためのデータ駆動型アプローチである。固定された関数形（例：線形回帰）を仮定する従来の統計モデルとは異なり、EDMは観測された時系列のみからシステムの状態空間を再構築する。これはタケンスの定理に基づいており、単一のスカラー時系列が、埋め込み次元が十分に大きければ、システムのアトラクタを回復するために高次元空間に埋め込めることを述べている。EDMは、非定常でカオス的なダイナミクスを示すことが多い生態学、疫学、気候学、神経科学にわたって応用されている。
EDMの核となる考え方は、パラメトリックモデルを当てはめるのではなく、観測データをシステムそのものとして扱うことである。時系列から遅延座標埋め込みを構築することにより、EDMは真の状態空間の影を作り出す。予測は、この再構築された空間で最近傍を見つけ、その軌道を前方に投影することで行われる。このアプローチは明示的な方程式を必要とせず、支配メカニズムが未知または解析的にモデル化するには複雑すぎるシステムに特に適している。
歴史的発展
EDMの理論的基盤は1980年代に築かれ、1981年にフローリス・タケンスが遅延埋め込みが単一の観測量からシステムのダイナミクスを再構築できることを証明したことに続く。1990年代初頭には、ジョージ・スギハラやロバート・メイなどの研究者がこれらの考えを生態学的時系列に適用し、非線形予測がカオスと確率的ダイナミクスを区別できることを実証した。スギハラの1994年の「カオスと測定誤差を区別する方法としての非線形予測」に関する論文は極めて重要であり、EDMが生物学的システムの短期予測において線形モデルを上回ることを示した。
その後数十年にわたり、EDMはシンプレックス投影やS-Map（逐次局所重み付き大域線形写像）などの方法で拡張された。これらの技法により、予測と変数間の因果関係の特定の両方が可能になった。2012年には、スギハラらが収束交差写像（CCM）を導入した。これはEDMの原理を用いて時系列から因果性を推論する方法であり、生態学や気候科学で広く使用されるようになった。
中核的方法
EDMは、同じ埋め込み原理に基づくいくつかの関連技法を含む。最も基本的なものはシンプレックス投影であり、再構築された状態空間内の単一の最近傍を使用して予測を行う。近傍の数は変えることができ、最適な埋め込み次元はしばしば交差検証によって選択される。S-Mapは、対象点までの距離で重み付けされた局所線形モデルを当てはめることでシンプレックスを改良し、非線形性をより効果的に捉えることを可能にする。
収束交差写像（CCM）は、EDMから派生した因果推論ツールである。これは、より多くの履歴データが含まれるにつれて、ある変数の予測スキルが向上するかどうかを調べることにより、ある時系列が別の時系列に関する情報を含むかどうかをテストする。変数XがYを引き起こす場合、Yの状態はXに関する情報を含むはずであり、CCMは弱い結合やノイズの存在下でもこれを検出できる。CCMは、イワシとカタクチイワシの個体群動態から海面水温と大気中のCO2の相互作用まで、さまざまな問題に応用されている。
応用
生態学では、EDMは個体群の豊度を予測し、種間相互作用を検出し、レジームシフトを理解するために使用されてきた。例えば、太平洋のイワシとカタクチイワシの個体群に関する研究では、EDMを用いて環境要因との非線形関係が明らかにされている。疫学では、EDMは症例報告から伝播ダイナミクスを再構築することにより、インフルエンザやデング熱などの感染症の発生を予測するために応用されている。
気候科学では、EDMは地球システムにおけるテレコネクションとフィードバックループの分析に役立つ。研究者はCCMを用いて、エルニーニョ・南方振動が全球の気温パターンに及ぼす因果的影響を研究してきた。神経科学では、EDMは神経スパイク列やEEG信号の分析に使用され、脳活動の根底にある非線形ダイナミクスを明らかにしている。この方法は金融時系列分析にも使用されているが、市場の低い信号対雑音比のために注意が必要である。
他のアプローチとの比較
EDMは、Deep learningやNeural networkアプローチなどの従来の機械学習方法とは根本的に異なる。これらの方法は大量のデータを必要とし、しばしば定常性を仮定する一方、EDMは短く、ノイズが多く、非定常な時系列向けに設計されている。EDMは従来の意味でのトレーニングを必要とせず、代わりにデータを直接予測に使用する。これにより、EDMはより解釈可能であり、データが少ない場合に過学習しにくい。
しかし、EDMには限界がある。システムが決定的であり、観測変数が状態の滑らかな関数であることを仮定している。測定ノイズは性能を低下させる可能性があり、埋め込み次元が非現実的になる非常に高次元のシステムではこの方法は苦戦する。外生変数を容易に組み込めるMachine learningモデルとは異なり、EDMは通常、多変量時系列の慎重な取り扱いを必要とする。
ソフトウェアと実践的考慮事項
RのrEDMパッケージとPythonのpyEDMライブラリは、シンプレックス、S-Map、CCMの実装を提供している。これらのツールにより、EDMはさまざまな分野の研究者が利用できるようになった。実践的な手順には、最適な埋め込み次元の決定（しばしば偽最近傍法による）、近傍数の選択、保持データでの予測の検証が含まれる。交差検証は過学習を避けるために不可欠であり、この方法の性能は通常、ARIMAなどの線形ベースラインと比較される。
現在の研究と将来の方向性
最近の研究では、EDMを多変量埋め込み、欠測データ、非一様な時間サンプリングに対応するように拡張している。研究者はまた、EDMとArtificial intelligence技法を組み合わせており、例えばNeural networkエンコーダを使用して生データから埋め込みを学習するが、これは依然として活発な探求領域である。EDMと因果発見およびMachine learningとの統合は、メカニスティックモデルが利用できない複雑なシステムにとって有望なフロンティアである。
2020年代初頭の時点で、EDMは定量的生態学者のツールキットにおいて引き続き貴重なツールであり、その原理はロボティクスや経済学など多様な分野に影響を与えている。データ駆動型で方程式を使わないモデリングへのその強調は、複雑系科学への関心の高まりと、変化する世界における堅牢な予測の必要性に沿ったものである。