经验动态建模（EDM）是一种数据驱动的方法，用于理解和预测复杂非线性动力系统的行为。与传统统计模型（如线性回归）假设固定函数形式不同，EDM仅从观测时间序列中重建系统潜在的状态空间。它基于Takens定理，该定理指出，只要嵌入维度足够大，单个标量时间序列可以被嵌入到高维空间中以恢复系统的吸引子。EDM已应用于生态学、流行病学、气候学和神经科学等领域，这些系统中的过程通常是非平稳的，并表现出混沌动力学。
EDM的核心思想是将观测数据视为系统本身，而非拟合参数化模型。通过从时间序列构建延迟坐标嵌入，EDM创建了真实状态空间的影子。预测通过在重建空间中找到最近邻并向前投影其轨迹来实现。这种方法避免了显式方程的需求，特别适用于控制机制未知或过于复杂而无法解析建模的系统。
历史发展
EDM的理论基础奠定于1980年代，继Floris Takens的工作之后，他在1981年证明了延迟嵌入可以从单个可观测变量重建系统动力学。在1990年代初期，George Sugihara和Robert May等研究人员将这些思想应用于生态时间序列，证明了非线性预测可以区分混沌和随机动力学。Sugihara在1994年发表的关于“非线性预测作为区分混沌与测量误差的方法”的论文具有关键意义，展示了EDM在生物系统短期预测中能优于线性模型。
在随后的几十年中，EDM通过Simplex投影和S-Map（顺序局部加权全局线性映射）等方法得到了扩展。这些技术允许进行预测以及变量间因果关系的识别。2012年，Sugihara及其同事引入了收敛交叉映射（CCM），这是一种利用EDM原理从时间序列推断因果关系的方法，已在生态学和气候科学中广泛使用。
核心方法
EDM包含几种相关技术，均基于相同的嵌入原理。最基本的是Simplex投影，它使用重建状态空间中的单个最近邻进行预测。邻居数量可以变化，最佳嵌入维度通常通过交叉验证选择。S-Map通过拟合一个按距离加权的局部线性模型来改进Simplex，使其能更有效地捕捉非线性。
收敛交叉映射（CCM）是一种源自EDM的因果推断工具。它通过检查一个时间序列是否包含关于另一个时间序列的信息来测试因果关系，即预测技能是否随着更多历史数据的加入而改善。如果变量X导致Y，那么Y的状态应包含关于X的信息，CCM即使在弱耦合或噪声存在的情况下也能检测到这一点。CCM已应用于从沙丁鱼-凤尾鱼种群动态到海面温度与大气CO2相互作用等问题。
应用
在生态学中，EDM已被用于预测种群丰度、检测物种相互作用和理解状态转换。例如，对太平洋沙丁鱼和凤尾鱼种群的研究使用EDM揭示了与环境驱动因素的非线性关系。在流行病学中，EDM已被应用于预测传染病暴发，如流感和登革热，通过从病例报告中重建传播动力学。
在气候科学中，EDM有助于分析地球系统中的遥相关和反馈循环。研究人员使用CCM研究厄尔尼诺-南方涛动对全球温度模式的因果影响。在神经科学中，EDM已被用于分析神经尖峰序列和EEG信号，揭示大脑活动背后的非线性动力学。该方法也用于金融时间序列分析，但由于市场中的低信噪比而需谨慎使用。
与其他方法的比较
EDM与传统的机器学习方法（如Deep learning或Neural network方法）有根本不同。虽然这些方法需要大量数据且通常假设平稳性，但EDM专为短、噪声、非平稳时间序列设计。它不需要传统意义上的训练；相反，它直接使用数据进行预测。这使得EDM在数据稀缺时更具可解释性且不易过拟合。
然而，EDM有其局限性。它假设系统是确定性的，且观测变量是状态的平滑函数。测量噪声会降低性能，且该方法在处理高维系统时面临挑战，因为嵌入维度变得不切实际。与Machine learning模型能轻松纳入外生变量不同，EDM通常需要仔细处理多变量时间序列。
软件与实践考虑
R中的rEDM包和Python中的pyEDM库提供了Simplex、S-Map和CCM的实现。这些工具使EDM对跨学科研究人员可及。实际步骤包括确定最佳嵌入维度（通常通过假最近邻）、选择邻居数量，以及在留出数据上验证预测。交叉验证对于避免过拟合至关重要，且方法的性能通常与ARIMA等线性基线进行比较。
当前研究与未来方向
近期工作已将EDM扩展到处理多变量嵌入、缺失数据和非均匀时间采样。研究人员还在将EDM与Artificial intelligence技术结合，例如使用Neural network编码器从原始数据学习嵌入，尽管这仍是一个活跃的探索领域。EDM与因果发现和Machine learning的整合是一个有前景的前沿，特别是对于机制模型不可用的复杂系统。
截至2020年代初期，EDM仍是定量生态学家工具箱中的宝贵工具，其原理已影响机器人学和经济学等多个领域。其对数据驱动、无方程建模的强调与复杂系统科学日益增长的兴趣以及变化世界中稳健预测的需求相一致。