[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

说明书

本发明公开一种基于时序非稳态的因果机制发现方法，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。本发明利用从状态空间和高斯过程从包含非稳态因果机制的时序数据中检测并发现因果机制，实现了非稳态因果关系发现。

技术领域

本发明涉及数据挖掘、因果性学习领域，更具体地，涉及一种基于时序非稳态的因果机制发现方法和系统。

背景技术

在过去的几十年里，从多个时间序列中发现因果关系是备受关注的，并在各个领域中都有应用前景，如股票价格预测、生物分析和社会分析。目前大多数传统的方法都基于时间序列背后的因果机制是稳态的假设，包括基于函数的方法、基于分数的方法和基于约束的方法。然而在实际情况下时序数据背后的因果机制往往是非稳态的，因为潜在的因果机制会随着时间的推移而变化，比如宏观经济中的因果机制，大脑中神经连接背后的因果机制等。如果我们直接应用那些为稳定时间序列设计的因果发现方法，我们可能会得到错误的因果边缘或错误的因果方向。

与基于稳态假设的方法不同，现有的非稳态因果发现的算法可以发现数据背后变化的因果机制。然而，这些方法仅限于因果系数的变化，不能适用于因果方向也发生变化的非稳态时序数据。尽管有些平滑变化方法试图来估计非稳态的因果模型，但它们不能明确地定位变化的因果模块。如果将这些方法直接应用于因果方向变化的数据，它们可能会返回错误的结果。因此，在因果方向和因果系数都发生变化的非平稳时序数据上进行因果发现，仍然是一个挑战问题。

状态空间模型可对时间序列进行分解，分解时间序列的目的旨在估计和抽取确定性成分，以使残量是一平稳过程。高斯过程是贝叶斯学习的主要方法之一，它的非参数形式、分析特性和对不确定性建模的能力在机器学习中令人向往。考虑到因果机制的系数和方向的变化，相比现有的方法减少了稳态假设，并且更适用于现实场景，对于因果发现算法的落地是有帮助的。因此如何构建从包含非稳态因果机制的时序数据中检测到因果机制变化的位置，然后学习因果结构模型具有一定的研究意义。

现有技术公开了一种结合知识图谱和自动变分编码的因果发现方法，属于因果发现领域，可将因果结构学习问题转化为向量空间中的连续优化问题，克服传统因果发现模型无法应用于大数据集的缺陷。但是该方案无法实现非稳态因果关系发现。

发明内容

本发明的首要目的是提供一种基于时序非稳态的因果机制发现方法，利用从状态空间和高斯过程从包含非稳态因果机制的时序数据中检测并发现因果机制。

本发明的进一步目的是提供一种基于时序非稳态的因果机制发现系统。为解决上述技术问题，本发明的技术方案如下：

一种基于时序非稳态的因果机制发现方法，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。

优选地，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。

优选地，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。

优选地，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：