基于自适应阈值学习的时序因果推断方法

doi:10.11772/j.issn.1001-9081.2023091278

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (9): 2660-2666.DOI: 10.11772/j.issn.1001-9081.2023091278

基于自适应阈值学习的时序因果推断方法

赵秦壮(), 谭红叶

山西大学计算机与信息技术学院，太原 030006

收稿日期:2023-09-20 修回日期:2024-03-13 接受日期:2024-03-21 发布日期:2024-04-16 出版日期:2024-09-10
通讯作者: 赵秦壮
作者简介:赵秦壮（1998—），男，山西运城人，博士研究生，CCF会员，主要研究方向：因果推断
谭红叶（1971—），女，广西灵山人，教授，博士，CCF会员，主要研究方向：自然语言处理。
基金资助:
国家自然科学基金资助项目(62076155)

Time series causal inference method based on adaptive threshold learning

Qinzhuang ZHAO(), Hongye TAN

School of Computer and Information Technology，Shanxi University，Taiyuan Shanxi 030006，China

Received:2023-09-20 Revised:2024-03-13 Accepted:2024-03-21 Online:2024-04-16 Published:2024-09-10
Contact: Qinzhuang ZHAO
About author:TAN Hongye， born in 1971， Ph. D.， professor. Her research interests include natural language processing.
Supported by:
National Natural Science Foundation of China(62076155)

摘要/Abstract

摘要：

时序数据存在近因性特点，即变量值普遍依赖近期的历史信息，而现有时序因果推断方法没有充分考虑时序数据的这种特性，在通过假设检验推断不同延迟的因果关系时使用统一的阈值，难以有效推断较弱的因果关系。针对上述问题，提出基于自适应阈值学习的时序因果推断方法：首先提取数据特性，其次根据不同延迟下数据呈现的性质，自动地学习假设检验过程中使用的阈值组合，最后将该阈值组合用于PC（Peter-Clark）算法、PCMCI（Peter-Clark and Momentary Conditional Independence）算法和VAR-LINGAM（Vector AutoRegressive LINear non-Gaussian Acyclic Model）算法的假设检验过程，以得到更准确的因果关系结构。在仿真数据集上的实验结果表明，采用所提方法的自适应PC算法、自适应PCMCI算法和自适应VAR-LINGAM算法的F1值都有所提高。

关键词: 因果推断, 时间序列, 假设检验, 参数优化, 自适应

Abstract:

Time-series data exhibits recency characteristic， i.e.， variable values are generally dependent on recent historical information. Existing time-series causal inference methods do not fully consider the recency characteristic， which use a uniform threshold when inferring causal relationships with different delays through hypothesis testing， so that it is difficult to effectively infer weaker causal relationships. To address the aforementioned issue， a method for time-series causal inference based on adaptive threshold learning was proposed. Firstly， data characteristics were extracted. Then， based on the data characteristics at different delays， a combination of thresholds used in the hypothesis testing process was automatically learned. Finally， this threshold combination was applied to the hypothesis testing processes of the PC （Peter-Clark） algorithm， PCMCI （Peter-Clark and Momentary Conditional Independence） algorithm， and VAR-LINGAM （Vector AutoRegressive LINear non-Gaussian Acyclic Model） algorithm to obtain more accurate causal relationship structures. Experimental results on the simulation dataset show that the F1 values of adaptive PC algorithm， adaptive PCMCI algorithm， and adaptive VAR-LINGAM algorithm using the proposed method are all improved.

Key words: causal inference, time series, hypothesis testing, parameter optimization, adaptive

中图分类号:

TP391

赵秦壮, 谭红叶. 基于自适应阈值学习的时序因果推断方法[J]. 计算机应用, 2024, 44(9): 2660-2666.

Qinzhuang ZHAO, Hongye TAN. Time series causal inference method based on adaptive threshold learning[J]. Journal of Computer Applications, 2024, 44(9): 2660-2666.

图/表 7

参考文献 21

1	BISWAS R， SHLIZERMAN E. Statistical perspective on functional and causal neural connectomics： a comparative study ［J］. Frontiers in Systems Neuroscience， 2022， 16： 817962.
2	MIERSCH P， JIANG S， RAKOVEC O， et al. Identifying drivers of river floods using causal inference ［C］// Proceedings of the 25th European Geosciences Union General Assembly. ［S.l.］： EGU Press & Media， 2023： EG U23-12948.
3	LUO D， LIAO W， LI S， et al. Causality-guided multi-memory interaction network for multivariate stock price movement prediction ［C］// Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2023： 12164-12176.
4	RUNGE J， BATHIANY S， BOLLT E， et al. Inferring causation from time series in Earth system sciences ［J］. Nature Communications， 2019， 10： 2553.
5	ASSAAD C K， DEVIJVER E， GAUSSIER E. Survey and evaluation of causal discovery methods for time series ［J］. Journal of Artificial Intelligence Research， 2022， 73： 767-819.
6	RUNGE J， NOWACK P， KRETSCHMER M， et al. Detecting and quantifying causal associations in large nonlinear time series datasets［J］. Science Advances， 2019， 5（11）： eaau4996.
7	HYVÄRINEN A， SHIMIZU S， HOYER P O. Causal modelling combining instantaneous and lagged effects： an identifiable model based on non-Gaussianity ［C］// Proceedings of the 25th International Conference on Machine Learning. New York： ACM， 2008： 424-431.
8	STROBL E V. Automated hyperparameter selection for the PC algorithm ［J］. Pattern Recognition Letters， 2021， 151： 288-293.
9	SCHWARZ G. Estimating the dimension of a model ［J］. The Annals of Statistics， 1978， 6（2）： 461-464.
10	RAGHU V K， POON A， BENOS P V. Evaluation of causal structure learning methods on mixed data types ［J］. Proceedings of Machine Learning Research， 2018， 92： 48-65.
11	BIZA K， TSAMARDINOS I， TRIANTAFILLOU S. Tuning causal discovery algorithms ［C］// Proceedings of the 10th International Conference on Probabilistic Graphical Models. New York： JMLR.org， 2020： 17-28.
12	郝志峰，吕宏伟，蔡瑞初，等.基于条件独立性的LiNGAM模型剪枝算法［J］.计算机应用与软件，2016，33（8）：249-253.
	HAO Z F， LYU H W， CAI R C， et al. LiNGAM model pruning algorithm based on conditional independence ［J］. Computer Applications and Software， 2016， 33（8）： 249-253.
13	ASSAAD C K， BYSTROVA D， ARBEL J， et al. Hybrids of constraint-based and noise-based algorithms for causal discovery from time series ［EB/OL］. ［2023-10-02］. .
14	ASSAAD C K， DEVIJVER E， GAUSSIER E. Entropy-based discovery of summary causal graphs in time series ［J］. Entropy， 2022， 24（8）： 1156.
15	JAIN N， ZHANG D， AHMAD W U， et al. ContraCLM： contrastive learning for causal language model ［C］// Proceedings of the 61st Annual Meeting of the Association for Computational Linguistics （Volume 1： Long Papers）. Stroudsburg： ACL， 2023： 6436-6459.
16	曾泽凡，陈思雅，龙洗，等.基于观测数据的时间序列因果推断综述［J］.大数据，2023，9（4）：139-158.
	ZENG Z F， CHEN S Y， LONG X， et al. Overview of observational data-based time series causal inference ［J］. Big Data Research， 2023，9（4）：139-158.
17	SPIRTES P， GLYMOUR C， SCHEINES R. Causation， Prediction， and Search ［M］. Cambridge： MIT Press， 2000：84-90.
18	VERMA T S， PEARL J. Equivalence and synthesis of causal models ［M］// Probabilistic and Causal Inference： The Works of Judea Pearl. New York： ACM， 2022： 221-236.
19	SHIMIZU S， HOYER P O， HYVÄRINEN A， et al. A linear non-Gaussian acyclic model for causal discovery ［J］. Journal of Machine Learning Research， 2006， 7： 2003-2030.
20	ASSAAD C K， DEVIJVER E， GAUSSIER E， et al. A mixed noise and constraint-based approach to causal inference in time series ［C］// Proceedings of the 2021 European Conference on Machine Learning and Knowledge Discovery in Databases. Cham： Springer， 2021： 453-468.
21	郝志峰，张维杰，蔡瑞初，等.基于条件独立性检验的非稳态因果发现方法［J］.计算机工程与应用，2024，60（10）：113-120.
	HAO Z F， ZHANG W J， CAI R C， et al. Non-stationary causal discovery method based on conditional independence test ［J］. Computer Engineering and Applications， 2024， 60（10）：113-120.

算法		α	数据集a			数据集b			数据集c
算法		Pre/%	Rec/%	F1/%	Pre/%	Rec/%	F1/%	Pre/%	Rec/%	F1/%
自适应PC算法		0.20	80.82	82.58	81.69	68.91	75.12	71.84	69.03	64.81	66.83
		0.15	81.71	81.80	81.75	69.77	74.18	71.87	69.39	64.31	66.75
		0.10	81.34	80.58	80.96	70.73	73.07	71.85	70.22	64.13	67.02
		0.05	81.66	79.48	80.56	71.97	71.79	71.86	70.65	63.50	66.88
		0.01	77.78	75.15	76.44	71.43	68.93	70.14	70.08	62.44	66.03
		阈值初始化+ 阈值调整	82.09	81.64	81.87	70.46	74.50	72.39	69.29	65.06	67.09
自适应PCMCI算法	第1阶段	0.20	68.09	95.10	79.36	55.53	95.00	70.09	58.27	98.26	73.16
		0.10	75.93	93.99	84.00	68.39	93.86	79.13	71.42	95.78	81.83
		0.05	79.42	92.77	85.58	76.31	92.96	83.82	79.53	95.37	86.73
		0.01	83.28	90.97	86.96	85.64	91.54	88.49	87.42	94.03	90.61
		阈值初始化	79.41	93.41	85.85	81.99	92.37	86.87	77.48	95.81	85.67
		阈值调整	87.60	95.71	91.48	84.77	93.52	88.93	61.97	96.86	75.58
	第2阶段	0.20	72.07	100.00	83.77	71.96	99.36	83.47	39.68	100.00	56.82
		0.10	70.84	100.00	82.93	69.01	99.40	81.46	39.20	100.00	56.32
		0.05	70.21	100.00	82.50	66.33	99.44	79.58	38.72	100.00	55.83
		0.01	69.13	100.00	81.74	62.55	99.51	76.82	37.79	100.00	54.86
		阈值初始化	71.00	100.00	83.04	72.73	99.72	84.11	40.81	100.00	57.96
		阈值调整	73.57	100.00	84.77	73.35	100.00	84.63	43.29	99.76	60.38
自适应VAR-LINGAM算法		0.40	100.00	79.01	88.28	99.99	84.87	91.81	99.31	78.53	87.71
		0.30	100.00	93.30	96.53	99.81	89.97	94.63	90.48	88.58	89.52
		0.20	99.99	99.96	99.97	98.02	94.84	96.41	56.53	94.74	70.81
		0.15	97.47	100.00	98.72	95.55	98.57	97.04	34.74	97.53	51.24
		0.10	94.54	100.00	97.19	86.36	99.80	92.59	19.88	99.26	33.12
		阈值初始化	100.00	100.00	100.00	99.55	91.00	95.08	93.98	87.26	90.50
		阈值调整	—	—	—	99.42	99.39	99.40	92.45	93.34	92.89

算法		α	数据集a			数据集b			数据集c
算法		Pre/%	Rec/%	F1/%	Pre/%	Rec/%	F1/%	Pre/%	Rec/%	F1/%
自适应PC算法		0.20	80.82	82.58	81.69	68.91	75.12	71.84	69.03	64.81	66.83
		0.15	81.71	81.80	81.75	69.77	74.18	71.87	69.39	64.31	66.75
		0.10	81.34	80.58	80.96	70.73	73.07	71.85	70.22	64.13	67.02
		0.05	81.66	79.48	80.56	71.97	71.79	71.86	70.65	63.50	66.88
		0.01	77.78	75.15	76.44	71.43	68.93	70.14	70.08	62.44	66.03
		阈值初始化+ 阈值调整	82.09	81.64	81.87	70.46	74.50	72.39	69.29	65.06	67.09
自适应PCMCI算法	第1阶段	0.20	68.09	95.10	79.36	55.53	95.00	70.09	58.27	98.26	73.16
		0.10	75.93	93.99	84.00	68.39	93.86	79.13	71.42	95.78	81.83
		0.05	79.42	92.77	85.58	76.31	92.96	83.82	79.53	95.37	86.73
		0.01	83.28	90.97	86.96	85.64	91.54	88.49	87.42	94.03	90.61
		阈值初始化	79.41	93.41	85.85	81.99	92.37	86.87	77.48	95.81	85.67
		阈值调整	87.60	95.71	91.48	84.77	93.52	88.93	61.97	96.86	75.58
	第2阶段	0.20	72.07	100.00	83.77	71.96	99.36	83.47	39.68	100.00	56.82
		0.10	70.84	100.00	82.93	69.01	99.40	81.46	39.20	100.00	56.32
		0.05	70.21	100.00	82.50	66.33	99.44	79.58	38.72	100.00	55.83
		0.01	69.13	100.00	81.74	62.55	99.51	76.82	37.79	100.00	54.86
		阈值初始化	71.00	100.00	83.04	72.73	99.72	84.11	40.81	100.00	57.96
		阈值调整	73.57	100.00	84.77	73.35	100.00	84.63	43.29	99.76	60.38
自适应VAR-LINGAM算法		0.40	100.00	79.01	88.28	99.99	84.87	91.81	99.31	78.53	87.71
		0.30	100.00	93.30	96.53	99.81	89.97	94.63	90.48	88.58	89.52
		0.20	99.99	99.96	99.97	98.02	94.84	96.41	56.53	94.74	70.81
		0.15	97.47	100.00	98.72	95.55	98.57	97.04	34.74	97.53	51.24
		0.10	94.54	100.00	97.19	86.36	99.80	92.59	19.88	99.26	33.12
		阈值初始化	100.00	100.00	100.00	99.55	91.00	95.08	93.98	87.26	90.50
		阈值调整	—	—	—	99.42	99.39	99.40	92.45	93.34	92.89

延迟	步骤		数据组1	数据组2	数据组3	数据组4
0	平均相关系数计算（r）		0.509 4	0.458 0	0.522 6	0.556 6
1			0.495 7	0.441 3	0.510 6	0.542 7
2			0.482 6	0.426 5	0.501 1	0.531 6
3			0.469 4	0.409 3	0.491 8	0.518 9
0	阈值初始化（α）		0.095 1	0.094 6	0.095 2	0.095 6
1			0.067 5	0.066 9	0.064 0	0.065 9
2			0.041 2	0.042 5	0.039 1	0.042 3
3			0.014 7	0.014 1	0.014 9	0.015 2
0	数量估计	n=0	0	0	0	0
1		n=5	5	6	5	5
2		n=1	1	0	1	1
3		n=1	0	0	0	1
0	最终阈值（α）		0.001 0	0.061 3	0.001 0	0.001 9
1			0.083 0	0.101 4	0.074 6	0.063 3
2			0.031 4	0.003 2	0.041 2	0.051 7
3			0.001 0	0.001 0	0.001 0	0.023 2

延迟	步骤		数据组1	数据组2	数据组3	数据组4
0	平均相关系数计算（r）		0.509 4	0.458 0	0.522 6	0.556 6
1			0.495 7	0.441 3	0.510 6	0.542 7
2			0.482 6	0.426 5	0.501 1	0.531 6
3			0.469 4	0.409 3	0.491 8	0.518 9
0	阈值初始化（α）		0.095 1	0.094 6	0.095 2	0.095 6
1			0.067 5	0.066 9	0.064 0	0.065 9
2			0.041 2	0.042 5	0.039 1	0.042 3
3			0.014 7	0.014 1	0.014 9	0.015 2
0	数量估计	n=0	0	0	0	0
1		n=5	5	6	5	5
2		n=1	1	0	1	1
3		n=1	0	0	0	1
0	最终阈值（α）		0.001 0	0.061 3	0.001 0	0.001 9
1			0.083 0	0.101 4	0.074 6	0.063 3
2			0.031 4	0.003 2	0.041 2	0.051 7
3			0.001 0	0.001 0	0.001 0	0.023 2

延迟	步骤		数据组1	数据组2	数据组3	数据组4
0	阈值初始化（α）		0.340 0	0.340 0	0.340 0	0.340 0
1			0.336 8	0.335 3	0.334 0	0.336 7
2			0.332 5	0.330 2	0.329 7	0.332 0
3			0.327 4	0.324 2	0.322 8	0.325 9
4			0.319 5	0.317 5	0.314 7	0.318 9
5			0.310 6	0.309 8	0.307 2	0.310 0
0	数量估计	n=0	0	0	0	0
1		n=12	14	10	11	13
2		n=2	1	3	2	3
3		n=3	3	3	3	2
4		n=1	1	1	1	1
5		n=1	0	3	1	3
0	最终阈值（α）		0.340 0	0.340 0	0.340 0	0.340 0
1			0.212 4	0.723 5	0.692 5	0.184 1
2			0.466 5	0.289 7	0.329 7	0.316 0
3			0.267 5	0.324 2	0.318 8	0.325 9
4			0.238 5	0.317 5	0.314 7	0.318 9
5			0.310 6	0.216 3	0.307 2	0.210 8

基于自适应阈值学习的时序因果推断方法

Time series causal inference method based on adaptive threshold learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 21

相关文章 15

编辑推荐

Metrics

算法	模块	Pre	Rec	F1
PCMCI	原算法+自适应阈值	41.70	98.42	58.58
	原算法+阈值调整	41.41	98.42	58.29
	原算法+阈值初始化	40.47	98.01	57.29
	原算法	40.38	97.90	57.17
VAR-LINGAM	原算法+自适应阈值	98.45	98.45	98.45
	原算法+阈值调整	98.44	98.43	98.43
	原算法+阈值初始化	98.60	92.44	95.42
	原算法	99.05	90.91	94.80

[1]	范黎林, 曹富康, 王琬婷, 杨凯, 宋钊瑜. 基于需求模式自适应匹配的间歇性需求预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2747-2755.
[2]	方介泼, 陶重犇. 应对零日攻击的混合车联网入侵检测系统[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2763-2769.
[3]	姚光磊, 熊菊霞, 杨国武. 基于神经网络优化的花朵授粉算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2829-2837.
[4]	任烈弘, 黄铝文, 田旭, 段飞. 基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2739-2746.
[5]	杨乐, 张达敏, 何庆, 邓佳欣, 左锋琴. 改进猎人猎物优化算法在WSN覆盖中的应用[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2506-2513.
[6]	徐航, 杨智, 陈性元, 韩冰, 杜学绘. 基于自适应敏感区域变异的覆盖引导模糊测试[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2528-2535.
[7]	吴锦富, 柳毅. 基于随机噪声和自适应步长的快速对抗训练方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1807-1815.
[8]	徐泽鑫, 杨磊, 李康顺. 较短的长序列时间序列预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1824-1831.
[9]	王美, 苏雪松, 刘佳, 殷若南, 黄珊. 时频域多尺度交叉注意力融合的时间序列分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1842-1847.
[10]	李焱, 潘大志, 郑思情. 多车场带时间窗车辆路径问题的改良自适应大邻域搜索算法[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1897-1904.
[11]	袁子璇, 翁小清, 戈宁振. 基于正交局部保持映射和成本优化的多变量时间序列早期分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1832-1841.
[12]	孟凡, 杨群力, 霍静, 王新宽. 基于边缘异常候选集的迭代式主动多元时序异常检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1458-1463.
[13]	王华华, 张旭, 李峰. 面向高速移动环境的二级信号检测算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1236-1241.
[14]	韦修喜, 彭茂松, 黄华娟. 基于多策略改进蝴蝶优化算法的无线传感网络节点覆盖优化[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1009-1017.
[15]	李威, 陈玲, 徐修远, 朱敏, 郭际香, 周凯, 牛颢, 张煜宸, 易珊烨, 章毅, 罗凤鸣. 基于多任务学习的间质性肺病分割算法[J]. 《计算机应用》唯一官方网站, 2024, 44(4): 1285-1293.