多元时间序列上基于深度学习的动态格兰杰因果分析

分类： 计算机科学 >> 计算机应用技术 提交时间： 2022-11-08

刘博 洪申达 李红燕

摘要： 复杂动力系统研究中的一个重要内容是发现以多元时间序列形式存在的各组成部分间的相互作用关系。因果关系相比于相关关系对系统的本质机制进行了更深入的探索，并以超越简单相关性分析的方式在对复杂动力系统的研究中发挥巨大作用。格兰杰因果关系分析提供了一种强大的时间序列结构发现框架，自提出后被各领域广泛应用，具有重要的研究意义和现实价值。但在诸如人体生理系统这样高度复杂的非线性动力系统中，其因果关系建立在多元、非线性、动态的时间序列上，这对于传统格兰杰因果关系分析方法是很大挑战。为此，本文提出一种基于深度学习的动态格兰杰因果关系分析方法DNNGC，来发现复杂、动态、非线性的多元时间序列间的格兰杰因果关系。DNNGC利用深度学习对复杂非线性关系的建模能力来充分拟合多元时序数据间的非线性关系，通过在原格兰杰因果关系的基础上添加存在时间段实现了动态因果分析，并改进其预测结构使模型空间复杂度从O(n2)降为O(n)，以便对现实系统中大规模时间序列上的分析具有更好的可行性。此外，本文还设计了适应格兰杰因果关系的神经网络架构，并在三种典型的格兰杰因果关系存在形式下，对DNNGC的实验结果进行了详细讨论。最后本文将DNNGC应用在人体睡眠期间各生理系统间的分析中，发现了人体潜在的、动态的格兰杰因果关系状况，具有很好的现实意义。

同行评议状态:待评议

 点击量 3245  下载量 387  评论