个体与集体动物行为的概率模型

自动追踪技术的最新发展允许对动物运动轨迹进行不间断、高分辨率的记录，有时还能同步识别身体姿态的刻板变化或其他感兴趣的行为。此类数据的分析与解释面临一项挑战：动物行为的时机可能是随机的，并受运动学变量、与环境的相互作用或与群体内同类的相互作用调节，且依赖于个体的内部认知或行为状态。现有的集体运动模型通常未能纳入行为的离散、随机和内部状态依赖等特征，而聚焦于个体动物行为的模型则通常忽略问题的空间特征。在此，我们提出一个概率建模框架以填补这一空白。每只动物可以在不同的行为状态间随机切换，每种状态可能导致不同的空间运动规律。行为转换的切换速率可以以非常一般的方式依赖于环境影响及动物间的相互作用，我们旨在从数据中识别这些依赖关系。我们将切换动力学表示为广义线性模型，并表明：(i) 可以使用 Gillespie 随机模拟算法的一种变体对多个相互作用的动物进行前向模拟；(ii) 在适当构建下，切换速率函数的最大似然推断可通过梯度下降有效求解；(iii) 模型选择可用于识别调节行为状态切换的因素，并根据数据适当调整模型复杂度。为了说明我们的框架，我们将其应用于两个动物运动合成模型和真实的斑马鱼追踪数据。