[論文レビュー] Dynamic Window-level Granger Causality of Multi-channel Time Series

Zhiheng Zhang, Wenbo Hu+2 more|arXiv (Cornell University)|Jun 14, 2020

Neural Networks and Applications参考文献 14被引用数 5

ひとこと要約

本稿では、非線形自己回帰モデルを用いてスライディングウィンドウにわたるF検定を適用することで、時系列チャネル間の時間的に変化する因果関係を同定する、動的ウィンドウレベル・グレインジャーカウザリティ（DWGC）を提案する。自己相関ノイズを低減し、相互相関検出を強化するための因果インデキシング技術を導入し、合成データおよび実世界の気象データにおいて、従来のおよび単純なウィンドウレベル・グレインジャーカウザリティ手法に比べて顕著に精度が向上することを示している。

ABSTRACT

Granger causality method analyzes the time series causalities without building a complex causality graph. However, the traditional Granger causality method assumes that the causalities lie between time series channels and remain constant, which cannot model the real-world time series data with dynamic causalities along the time series channels. In this paper, we present the dynamic window-level Granger causality method (DWGC) for multi-channel time series data. We build the causality model on the window-level by doing the F-test with the forecasting errors on the sliding windows. We propose the causality indexing trick in our DWGC method to reweight the original time series data. Essentially, the causality indexing is to decrease the auto-correlation and increase the cross-correlation causal effects, which improves the DWGC method. Theoretical analysis and experimental results on two synthetic and one real-world datasets show that the improved DWGC method with causality indexing better detects the window-level causalities.

研究の動機と目的

• 従来のグレインジャーカウザリティが時系列チャネル全体にわたって静的因果関係を仮定するという限界を是正すること。
• 特に複雑で非 stationarity（非定常）な実世界データにおいて、時間とともに変化する因果関係をモデル化すること。
• スライディングウィンドウを用いることで、時間的に変化する因果構造を捉えるウィンドウレベルのアプローチを構築すること。
• 新たな因果インデキシング技術により、自己相関の影響を低減し、相互相関効果を強化することで、検出精度を向上させること。

提案手法

• 時系列データのスライディングウィンドウに非線形自己回帰（NAR）モデルを構築し、非線形ダイナミクスを捉える。
• 予測性能が因果関係の有無に依存するかをF検定により評価し、ウィンドウレベルでの因果的影響を同定する。
• 自己相関を低減し、相互相関効果を増幅するために、因果インデキシング行列を導入する。
• 自己相関由来のノイズを最小化することで検出精度を向上させる損失関数を用いて、因果インデキシングを最適化する。
• 理論的に、従来のグレインジャーカウザリティが提案された動的ウィンドウレベルフレームワークの特別な場合であることを証明する。
• 合成データおよびエルニーニョ南方振動（ENSO）と東アジアモンスーンインデックスを含む実世界の気象データセットを用いて、手法を評価する。

実験結果

リサーチクエスチョン

• RQ1 ウィンドウレベル・グレインジャーカウザリティは、時間的に変化する因果関係を、複数チャネル時系列において検出可能か？
• RQ2 提案された因果インデキシング技術は、単純なウィンドウレベル手法と比較して、動的因果関係検出の精度をどのように向上させるか？
• RQ3 DWGC手法は、非定常データにおける時間的に変化する因果構造を検出する際、従来のグレインジャーカウザリティを上回るか？
• RQ4 気候科学などの実世界の応用において、この手法は先行する分野知識とどの程度整合性を示すか？
• RQ5 この手法は、異なる季節のウィンドウで出現する双方向因果関係を検出可能か？

主な発見

• 因果インデキシングを備えたDWGC手法は、秋と冬（10月～12月）にENSOと東アジアモンスーンインデックス（MKE/OLR）の間でより強い因果関係を検出できた。これは既知の気象学的パターンと一致する。
• 春と夏（5月～8月）に、MKEおよびOLRからENSOへの逆因果関係が同定された。これは確立された気象学的知識と整合しており、単純なDWGCや従来のGCでは検出されない。
• 因果インデキシングを用いない単純なDWGC手法は、因果関係強度の季節的変動を明確に区別できなかったが、改善されたDWGC手法では、季節ごとのF統計量に顕著な差が見られた。
• ENSO → MKEおよびENSO → OLRのF統計量は、秋と冬に顕著に高く、この時期にENSOがモンスーンインデックスの予測に強い影響を及ぼしていることを示している。
• 合成データおよび実データセットを用いた検証により、改善されたDWGC手法は、従来のグレインジャーカウザリティおよび単純なウィンドウレベル手法よりも高い検出精度を達成した。
• 理論的分析により、従来のグレインジャーカウザリティが提案された動的ウィンドウレベルフレームワークの特別な場合であることが確認された。