近日，华南理工大学和上海交通大学的研究团队在《Advanced science》上发表了一项名为「Ultralow-dimensionality reduction for identifying critical transitions by spatial-temporal PCA」的研究成果，开发了一种名为「时空主成分分析（stPCA）」的超低维动力学降维方法。该方法能够通过单一隐变量实现高维时间序列的无损降维与状态临界转变预警，适用于复杂动态系统的早期预警信号检测。
stPCA 方法基于广义 Takens 嵌入理论，利用非线性延迟嵌入理论，将高维时间序列数据的动态特性完整地映射到单一隐变量中，不仅保留了原始数据的动力学特征，还提高了计算效率和结果的稳定性，适用于强噪声干扰下的动态系统分析。
该方法已在多个应用场景中得到验证，包括 ICU 患者监护、胚胎发育和气象变化预警等，为复杂系统的动力学刻画和状态临界转变预警提供了新的工具。
