概率多元早期预警信号

从人类微生物组到金融市场，广泛的自然与社会系统都可能经历临界转变，即系统突然崩溃至另一种稳定构型。临界转变往往出乎意料，并可能带来灾难性后果。及早且准确地预判它们，有助于对系统进行受控调控并缓解不良后果。然而，获得可靠预测一直十分困难，因为通常只能监测相关变量中的一小部分，且即便是微小扰动也可能在复杂系统的脆弱态中引发剧烈变化。作为预测的替代方案，数据驱动指标被提出用以警示即将到来转变的风险上升。自相关与方差是通用指标的例子，在一系列系统中，它们往往在逼近的 tipping point 附近趋于增大。这些及许多其他被广泛研究的指标存在一个重要缺陷，即它们处理的是复杂系统的简化一维表示。本文中，我们证明一种概率数据聚合策略能够通过更高效利用多元时间序列中的可用信息，为改进早期预警检测提供新途径。具体而言，我们考虑向量自回归模型的一个概率变体作为新颖的早期预警指标，并论证其在模型正则化、不确定性处理与参数解释方面具有理论优势。我们在仿真基准中针对若干替代方法评估其性能，并在一个包含多个相互作用物种的常见生态模型中展示了早期预警信号检测的灵敏度提升。