[发明专利]一种基于时序非稳态的因果机制发现方法和系统

权利要求书

1.一种基于时序非稳态的因果机制发现方法，其特征在于，包括以下步骤：

S1：获取时序非稳态因果机制已知的数据集，并对数据集进行处理；

S2：构建用于发现时序非稳态因果机制的模型；

S3：利用所述数据集对所述用于发现时序非稳态因果机制的模型进行训练，得到训练好的用于发现时序非稳态因果机制的模型；

S4：利用所述训练好的用于发现时序非稳态因果机制的模型对未知时序非稳态因果机制的数据进行因果机制发现。

2.根据权利要求1所述的基于时序非稳态的因果机制发现方法，其特征在于，所述步骤S1中时序非稳态因果机制包括因果系数的变化和因果方向的变化。

3.根据权利要求1所述的基于时序非稳态的因果机制发现方法，其特征在于，所述步骤S1中对数据集进行处理，具体为：

对数据集进行划分，将80％的数据集作为训练集，剩余的数据集作为测试集。

4.根据权利要求1所述的基于时序非稳态的因果机制发现方法，其特征在于，所述步骤S2中用于发现时序非稳态因果机制的模型，具体为：

所述用于发现时序非稳态因果机制的模型包括状态空间检测层和高斯学习过程，其中所述状态空间检测层的输入为时序数据，所述状态空间检测层识别时序数据中的分层结构；所述高斯学习层学习分层后时序数据的稳态因果结构。

5.根据权利要求4所述的基于时序非稳态的因果机制发现方法，其特征在于，所述状态空间检测层具体表示为：

q(Z，S，M|X)＝q(M|X)q(Z|M，X)q(S|Z，M，X)

式中，X为特征向量，X＝{x_t}，Z，S分别为状态变量，Z＝{z_t}，S＝{s_t}，st、zt表示t之前所有状态变量，M为二元随机变量，M＝{m_t}，mt表示t之前所有二元随机变量，q(Z，S，M|X)表示在X条件下，检测到Z，S，M的后验联合概率分布，q(M|X)表示在X条件下，检测到M的后验联合概率分布，q(Z|M，X)表示在M，X条件下，检测到Z的后验联合概率分布，q(S|Z，M，X)表示在Z，M，X条件下，检测到S的后验联合概率分布，p(X，Z，S，M)表示X，Z，S，M的先验联合概率分布，p(x_t|s_t)表示在s_t条件下，检测到x_t的先验条件概率分布，p(m_t|s_t)表示在s_t条件下，检测到m_t的先验条件概率分布，p(s_t|st，z_t，m_t-1)表示在st，z_t，m_t-1条件下，检测到s_t的先验条件概率分布，p(z_t|zt，mt)表示在zt，mt条件下，检测到z_t的先验条件概率分布；

式中，δ(z_t＝z_t-1)表示z_t＝z_t-1的先验概率分布函数，表示在d_t条件下，检测到z_t的先验条件概率分布，表示在h_t条件下，检测到s_t的先验条件概率分布，f_z-rnn(z_t-1|d_t-1)表示在d_t-1条件下，学习z_t-1的rnn函数，f_s-rnn(s_t-1||z_t，h_t-1))表示将s_t-1，z_t，h_t-1联结后，学习s_t-1的rnn函数，f_z-mlp(z_t)表示z_t的多层感知器函数；

使观察到的数据的概率的对数可能性最大化，即：

利用证据下限ELBO来近似：

式中，E_{q(Z，S，M|X)}表示q(Z，S，M|X)的数学期望，KL()表示KL散度；

利用顺序分解q(M|X)，首先推断出边界指标M：

式中，Bern()为伯努利分布，σ()为激活函数；

通过状态推理q(Z|M，X)和q(S|Z，M，X)在发现边界结构的情况下推断出两个抽象的概念，其中q(Z|M，X)用于预测多变量子时间序列的状态，为了使用多变量子时间序列内的相同状态，分布q(z_t|M，X)是以边界指标M为条件的：

式中，β(z_t＝z_t-1)为z_t＝z_t-1后验概率分布函数，由前向RNN提取，而由后向RNN提取，RNN依赖于M以确保β(z_t＝z_t-1)时间序列之间的独立性；S的因子为和每个s_t从分布取样，对观察序列X进行编码，并在新的多变量子时间序列开始时进行更新。