📊 statistics

A new family of Gaussian processes for modeling animal movement: application to bat telemetry data

本文介绍了一类源自分支粒子系统的全新高斯过程，其特征在于长程依赖性和非平稳性，并通过对蝙蝠遥测数据的分析，证明了这类过程能有效模拟具有强记忆性的动物运动。

原作者： Jose Hermenegildo Ramirez Gonzalez, Antonio Murillo Salas, Ying Sun

发布于 2026-07-17

📖 1 分钟阅读☕ 轻松阅读

原作者： Jose Hermenegildo Ramirez Gonzalez, Antonio Murillo Salas, Ying Sun

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正试图预测一位流浪探险家的路径。在科学世界中，这个探险家是一只动物，而地图是一个叫做“高斯过程”的计算机模型。把这些模型想象成数学意义上的水晶球。它们不仅仅是在猜测动物下一步会去哪里，而是通过观察它去过的地方来理解它的思维方式。有些动物就像健忘的游客，只关心当下正在迈出的这一步；而另一些动物则是拥有长久记忆的深思者，即便是在几小时甚至几天前做出的决定，依然会影响它们现在的方向。这篇论文存在于统计学和生态学的领域——这是一个致力于理解生物如何穿越时空移动的科学角落。这里的核心概念是“长程依赖”（long-range dependence），这只是一个高级说法，意思就是过去对未来有着沉重且持久的影响。科学家们之所以关心这一点，是因为如果我们想要保护濒危物种或了解它们的迁徙方式，我们需要知道它们是在对当下的阵风做出反应，还是在回味三天前的一场风暴。

这篇论文的作者们是一群统计学家，他们决定为那些拥有极强记忆力的动物打造一种全新的水晶球。他们注意到，以往用于追踪动物运动的工具就像是用一把尺子去测量海洋：在短途旅行中效果尚可，但当动物的路径表现出对遥远过去的记忆迹象时，这些工具就会显得力不从心。研究人员创建了一类新的数学模型，这些模型源自一些非常复杂的物理学理论，涉及分支粒子（想象一棵树，每一根树枝都会进一步分裂，而我们正在追踪这些“树枝”被占据的时间长短）。他们发现，他们的新模型拥有一种特殊的超能力：它的记忆是以“对数”（logarithmic）方式增长的。

为了理解这种差异，请想象两种记忆消逝的方式。旧模型通常假设，如果回顾足够久远的过去，记忆会迅速消逝，就像一声逐渐减弱直到消失的呐喊（指数衰减）。或者，它们假设记忆增长得如此之快，以至于变得无法控制（多项式增长）。然而，新模型则表明，记忆的增长是缓慢的，就像一个从未完全消失、但又极其缓慢地变大的低语。这是一种“金中选优”（Goldilocks）式的记忆：既不过快，也不过慢，恰好适合那些似乎带着自身历史痕迹前行的动物。

团队利用来自德国五只蝙蝠飞行的真实数据测试了这个新模型。他们追踪了蝙蝠的经度和纬度（它们的东西向和南北向位置）随时间的变化。当他们将这些数据输入到这个全新的“对数记忆”模型中时，该模型对蝙蝠运动的拟合程度惊人地好。事实上，在他们分析的十条不同飞行路径中，有两条路径显示出该新模型是所有模型中的最佳拟合，击败了科学家通常使用的流行的“分数阶奥恩斯坦-乌伦贝克过程”（fractional Ornstein-Uhlenbeck models）。作者们指出，对于这些特定的蝙蝠而言，记忆缓慢增长（对数增长）的观点比记忆爆发式增长的观点更能描述它们的行为。

然而，论文谨慎地表示并未宣布彻底的胜利。新模型并没有赢得每一场比赛；在十个案例中的七个里，旧的、更复杂的模型表现得稍微更好一些。作者们明确反对认为所有动物运动都可以由简单的“平稳模型”（即假设动物行为不随时间变化的模型）来描述。他们的数据显示，蝙蝠的运动是“非平稳的”，这意味着它们的行为会随着时间的推移而改变，而且它们的记忆并非仅仅是对过去的简单重复。他们还排除了标准“集成奥恩斯坦-乌伦贝克过程”（基于标准布朗运动的模型）可以解释这些长期模式的可能性，因为该模型的记忆消逝得太快，无法匹配蝙蝠的实际行为。

为了帮助他人使用他们的发现，团队不仅编写了方程，还构建了一个有趣的交互式应用。想象一个电子游戏，你可以调整一个虚拟蝙蝠的“记忆设置”，并观察它如何在地图上飞行。你可以看到数学的变化如何改变飞行路径，让抽象的数字变得真实可感。他们还提供了一种方法，让其他科学家可以输入自己的数据，看看这种新的“慢速增长记忆”模型是否也适用于他们的动物。

最后，这篇论文表明，当我们观察具有强大记忆力的动物（如蝙蝠、黑猩猩或大象）时，我们可能需要停止使用那些假设记忆消逝过快或增长过于狂野的工具。相反，我们应该考虑使用那些允许过去以一种稳定、缓慢、对数般的低语来影响未来的工具。虽然新模型并不是解决所有运动谜题的“万灵药”，但它提供了一个全新的、更准确的视角，让我们去理解动物过去与未来之间那深邃且持久的联系。

技术摘要：一种用于建模动物运动的新型高斯过程族

问题陈述
对动物运动进行建模对于生态学和生物学研究至关重要，特别是对于理解受栖息地丧失和气候变化威胁的迁徙物种。该领域的一个重大挑战是开发能够准确捕捉具有强记忆依赖性轨迹的预测模型。虽然高斯过程（GPs）是描述动物轨迹的成熟工具，但现有模型往往难以表征长程依赖（LRD），即远程过去的位置会持续影响未来的运动，但又不会过度夸大这种影响。此外，对蝙蝠遥测数据的经验诊断表明，观测到的轨迹通常是非平稳的，且并非本质平稳的，因此需要能够容纳这些特性并表现出特定渐近协方差行为的模型。

方法论
作者引入了一类新的中心化非平稳高斯过程，记作 $\zeta = (\zeta_t)_{t \geq 0}$ ，该过程源自某些分支粒子系统缩放占有时间过程的极限波动。其协方差函数定义为：
$K_f(s, t) := 2 \int_0^{s \wedge t} f(r) \left[ (s+t-2r)\log(s+t-2r) - (s-r)\log(s-r) - (t-r)\log(t-r) \right] dr$
其中 $f: \mathbb{R}^+ \to \mathbb{R}^+$ 是一个可测的局部可积权重函数。

本研究重点关注两个特定的子族：

多项式权重 ( $C_1$ )： $f_\alpha(u) = u^\alpha$ ，其中 $\alpha > -1$ 。
指数权重 ( $C_2$ )： $f_{\sigma^2, \beta}(u) = \sigma^2 e^{-\beta u}$ ，其中 $\sigma^2 > 0, \beta \geq 0$ 。

指数子族 ( $C_2$ ) 因其在结构上类似于积分分数 Ornstein–Uhlenbeck 过程 ( $\mu_H$ ) 的协方差（后者是遥测建模中常见的基准）而被选用于应用分析。作者推导了 $\zeta$ 在 $C_2$ 规范下有限维分布的似然函数，从而实现了参数 $\sigma^2$ 和 $\beta$ 的极大似然估计（MLE）。

关键理论结果

正定性： 定理 1 确立了 $f$ 满足充分条件（局部可积性）以使 $K_f$ 成为有效的协方差函数的条件。
长程依赖 (LRD)： 命题 1 表明该过程表现出指数 $\kappa = 1$ 的 LRD。具体而言，固定过去位置与远程未来位置之间的协方差呈对数阶增长：
$\lim_{T \to \infty} \frac{E(\zeta_r \zeta_{s+T})}{\log(T)} = 2 \int_0^r f(u)(r-u) du$
这与表现出多项式协方差增长的模型形成对比，提供了一种“较温和”的远程过去影响保留方式。
平稳性属性： 该过程被证明是非平稳的，并且对于在紧集上满足 $1 \asymp f$ 的权重，在紧区间内不是本质平稳的。
路径属性： 证明该过程在 $[0, 1]$ 上具有无穷全变差和零二次变差，这意味着它不是一个半鞅。它具有取决于权重函数的特定正则性指数的 Hölder 连续路径。

应用与经验结果
该模型被应用于德国五只蝙蝠的三维迁徙运动数据（来自 Teague O'Mara 等人，2019 年的遥测数据）。

数据诊断： 经验分析（滚动均值、方差、ADF、KPSS 和 DFA 测试）表明原始遥测序列是非平稳的。一阶差分并未统一诱导平稳性，且所有序列的 DFA 指数均超过 1，表明存在强烈的长尺度依赖。
模型拟合： 带有指数权重 ( $C_2$ ) 的 $\zeta$ 过程被分别拟合到经度和纬度坐标上。
比较性能： 将提出的模型与包括分数 Ornstein–Uhlenbeck 位置模型 ( $\mu_H$ $μ_{H}$ )、积分 Ornstein–Uhlenbeck ( $\mu_{1/2}$ $μ_{1/2}$ )、分数布朗运动 ( $\sigma W_H$ $σ W_{H}$ ) 以及平稳共形超几何和 Stein 型模型在内的若干竞争模型进行了比较。
- 提出的 $\zeta$ 型模型在十个坐标序列中的两个序列中获得了最小的赤池信息准则（AIC）。
- 分数 Ornstein–Uhlenbeck 模型 ( $\mu_H$ ) 在七个序列中表现出最佳拟合。
- 在九个数据集中，首选模型是这两个非平稳、非本质平稳的 LRD 模型之一。
- 特别是对于蝙蝠 #4 的经度，当 $\beta=0$ （常数权重）的边界模型提供了最佳拟合，这表明对于某些轨迹，当 $H > 1/2$ 时，对数增长机制可能比 $\mu_H$ 诱导的多项式增长更合适。

意义与主张
本文声称，所提出的高斯过程族为建模动物运动提供了一个有用的替代方案，特别是在轨迹表现出强记忆性，但多项式协方差增长（如分数布朗运动或积分分数 Ornstein–Uhlenbeck 模型所示）可能会夸大远程过去位置影响的情况下。协方差的对数渐近增长提供了一种独特的 LRD 结构，能以一种“较温和”的方式保留远程过去的贡献。

作者强调，该模型对于具有强大记忆能力的物种（如蝙蝠、黑猩猩和象）特别相关。为了促进实际应用，作者发布了推理代码，并开发了一个用于模拟、估计和预测的交互式 R Shiny 应用程序。

局限性与未来方向
研究承认，假设坐标过程（经度和纬度）是不相关的简化了分析，但如果存在跨坐标依赖，这种假设可能是不充分的。作者提出了一个自然的扩展方向，即开发该模型的多元版本。此外，虽然已经推导出了极大似然估计量，但目前尚缺乏关于 $C_1$ 和 $C_2$ 族参数估计的渐近结果，这代表了一个未来的研究方向。

类似论文