A Conditionally Markovian Reformulation of Memory-Mediated Animal Movement Using Cognitive Maps
Memory plays a crucial role in shaping animal movement behaviors. There are powerful new models emerging for understanding memory effects via continuous-time stochastic differential equations (SDEs). However, these models are non-Markovian and computationally difficult to implement as a result of intractable likelihood functions. To address such issues, we establish a connection between discrete-time and continuous-time animal movement models and introduce a conditional Markov process, facilitated by a so-called filtration or dynamically updated cognitive map. We reformulate a non-Markovian memory-mediated animal movement SDE model. Our formulation incorporates cognitive maps to create a Markov process, conditioned on the associated cognitive map. This new formulation facilitates parameter inference and enhances computational efficiency. With this formulation, we perform parameter estimation and evaluate estimability.
Une reformulation conditionnellement markovienne du mouvement animal médiatisé par la mémoire à l'aide de cartes cognitives
La mémoire joue un rôle crucial dans le comportement moteur des animaux. De nouveaux modèles puissants apparaissent pour comprendre les effets de la mémoire à l'aide d'équations différentielles stochastiques (SDE) en temps continu. Cependant, ces modèles ne sont pas markoviens et sont difficiles à mettre en œuvre sur le plan informatique en raison de fonctions de vraisemblance complexes. Pour résoudre ces problèmes, nous établissons un lien entre les modèles de déplacement animalier à temps discret et à temps continu, et introduisons un processus de Markov conditionnel, facilité par ce que l'on appelle une filtration ou une carte cognitive mise à jour dynamiquement. Nous reformulons un modèle SDE de déplacement animalier non markovien à mémoire. Notre formulation intègre des cartes cognitives pour créer un processus de Markov, conditionné par la carte cognitive associée. Cette nouvelle formulation facilite l'inférence des paramètres et améliore l'efficacité computationnelle. Grâce à cette formulation, nous effectuons l'estimation des paramètres et évaluons la capacité d'estimation.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais