[发明专利]一种离散时序数据的非稳态性格兰杰因果关系挖掘方法

权利要求书

1.一种离散时序数据的非稳态性格兰杰因果关系挖掘方法，基于霍克斯点过程，其特征在于，包括以下步骤：

S1.获取时空序列数据集并建立霍克斯模型，初始化所述霍克斯模型并对时间序列标注类别标签；

S2.根据标注的类别标签情况，通过Hawkes-EM算法学习各类别数据对应的霍克斯模型参数以及格兰杰因果关系，基于贪婪算法优化对时空序列数据的类别划分；

S3.根据步骤S2所述时空序列数据的类别划分以及学习得到的霍克斯模型参数，计算所述霍克斯模型的最终评分；

S4.重复步骤S2和S3，直至最终评分值满足预设标准，则此时霍克斯模型参数对应的述时空序列数据的类别划分情况及对应类别挖掘得到的格兰杰因果关系为最优解。

2.根据权利要求1所述的离散时序数据的非稳态性格兰杰因果关系挖掘方法，其特征在于，步骤S1所述的霍克斯模型的表达式为：

其中N_j(t-s)＝{N_j(t-s)|t-s∈[0,T]}表示t-s时刻之间j事件发生的次数；T表示考虑的最大时间长度；U表示模型考虑的变量个数；a_ij表示i变量和j变量之间的关系强度，若j对i有联系则a_ij＞0，否则a_ij＝0；k(t-s)是指数衰变函数；μ_u表示外源基础强度；表征其他变量对i变量的内源性强度；λ_i(t)为i变量在t时刻的强度，a_ij为j变量对i变量的格兰杰因果关系的体现，即a_ij＞0则有j_t-1→i_t。

3.根据权利要求2所述的离散时序数据的非稳态性格兰杰因果关系挖掘方法，其特征在于，步骤S1所述的初始化所述霍克斯模型并对时间序列标注类别标签具体为：对霍克斯模型表达式中的参数μ_u和a_ij初始化为[0,1]之间的随机数，并对时间序列的每个数据标注类别标签，其中t∈[0,T]的时间序列下共有K个类别，对时间序列的每个数据标注的类别标签值为[1,K]的其中一个。

4.根据权利要求3所述的离散时序数据的非稳态性格兰杰因果关系挖掘方法，其特征在于，所述步骤S2的具体步骤包括：

根据步骤S1标注的类别标签情况，对于其中每一类数据，根据以下方法完成学习得到属于每一类数据对应的模型参数μ_u和a_ij：

步骤S1所述的霍克斯模型表达式，其基于杰森不等式所对应的似然函数式为：

其中表示第k次迭代后在模型参数θ∈{μ_u,a_ij}下的似然表达式；C表示数据集时空序列的数量；N_c表示数据集中序列号为c的数据考虑的变量数量；T_c表示数据集中序列号为c的最大时间戳；表示在序列号为c数据集的环境下，i类型事件发生的时间戳；k(t)是指数衰变函数；表示在序列号为c数据集的环境下，i类型事件发生的时间戳和j类型事件发生的时间戳之间的差值；

通过Hawkes-EM算法学习每一类数据对应的霍克斯模型参数：

其中表示在第k+1次迭代后变量i自带的自激发强度大小的量化值；表示在第k+1次迭代后在j_t-1→i_t下发生的时间戳和j变量对i变量格兰杰因果关系量化值的大小；C数据集时空序列的数量；N_c表示数据集中序列号为c的数据考虑的变量数量；；T_c表示数据集序列号为c的最大时间戳；表示是在序列号为c数据集的环境下，i类型事件发生的时间戳；k(t)是指数衰变函数；

K类数据均完成以上学习后得到K对参数μ_u,*和a_ij，*；

对于每一个时间序列数据，代入不同参数μ_u,*和a_ij，*对应的似然函数式求解得到对应值，基于贪婪算法并以最小代价为原则为每个时间序列数据优化类别划分。