[논문 리뷰] Dynamic Window-level Granger Causality of Multi-channel Time Series

Zhiheng Zhang, Wenbo Hu외 2명|arXiv (Cornell University)|2020. 06. 14.

Neural Networks and Applications참고 문헌 14인용 수 5

한 줄 요약

이 논문은 비선형 자기회귀 모델을 사용하여 슬라이딩 윈도우에 대해 F-검정을 적용함으로써 다중 채널 시계열에서 시간에 따라 변화하는 인과 관계를 탐지하기 위한 동적 윈도우 수준의 그랜저 인과관계(DWGC)를 제안한다. 자가상관성 노이즈를 감소시키고 상관관계 탐지를 향상시키기 위해 인과성 인덱싱 기법을 도입하여, 기존의 전통적이고 단순한 윈도우 수준의 그랜저 인과관계 방법에 비해 합성 데이터 및 실제 기상 데이터에서 정확도를 크게 향상시킨다.

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.

연구 동기 및 목표

• 기존의 그랜저 인과관계가 시간 시리즈 채널 전반에 걸쳐 정적 인과 관계를 가정한다는 한계를 해결하기 위해.
• 특히 복잡하고 비 stationary한 실제 데이터에서 시간에 따라 변화하는 인과관계를 모델링하기 위해.
• 슬라이딩 윈도우를 사용하여 시간에 따라 변화하는 인과관계 구조를 포착하는 윈도우 수준의 접근법을 개발하기 위해.
• 새로운 인과성 인덱싱 기법을 통해 자가상관성의 영향을 줄이고 상관관계 효과를 강화함으로써 탐지 정확도를 향상시키기 위해.

제안 방법

• 비선형 자기회귀(NAR) 모델을 시계열 데이터의 슬라이딩 윈도우에 적용하여 비선형 역동성을 포착한다.
• 잠재적 원인 채널이 포함되거나 포함되지 않은 경우의 예측 성능을 비교하기 위해 F-검정을 적용하여 윈도우 수준에서 인과적 영향을 식별한다.
• 자기상관성을 감소시키고 상관관계 효과를 증폭시키기 위해 시간 시리즈 데이터를 재가중하는 데 사용되는 인과성 인덱싱 행렬을 도입한다.
• 자기상관성에서 발생하는 노이즈를 최소화함으로써 탐지 정확도를 향상시키는 손실 함수를 통해 인과성 인덱싱을 최적화한다.
• 이론적으로 기존의 그랜저 인과관계가 제안된 동적 윈도우 수준 프레임워크의 특수한 경우로 일반화됨을 증명한다.
• 합성 데이터와 ENSO 및 동아시아 몬순 지수를 포함한 실제 기상 데이터셋에서 방법을 평가한다.

실험 결과

연구 질문

• RQ1 윈도우 수준의 그랜저 인과관계는 시간에 따라 변화하는 다중 채널 시계열에서 시간에 따라 변화하는 인과 관계를 탐지할 수 있는가?
• RQ2 제안된 인과성 인덱싱 기법은 단순한 윈도우 수준 방법에 비해 동적 인과관계 탐지 정확도를 얼마나 향상시키는가?
• RQ3 DWGC 방법은 비 stationarity한 데이터에서 시간에 따라 변화하는 인과관계를 탐지하는 데 기존의 그랜저 인과관계를 초월하는가?
• RQ4 기후 과학과 같은 실제 적용 분야에서 이론적 지식과의 일치 정도는 어느 정도인가?
• RQ5 이 방법은 서로 다른 계절 윈도우에서 나타나는 상호 인과관계를 탐지할 수 있는가?

주요 결과

• 인과성 인덱싱을 적용한 DWGC 방법은 ENSO와 동아시아 몬순 지수(MKE/OLR) 간의 인과관계가 가을과 겨울(10월~12월)에 봄과 여름(5월~8월)보다 더 강하게 나타남을 성공적으로 탐지하여 알려진 기상학적 패턴을 확인한다.
• 봄과 여름(5월~8월)에 MKE와 OLR에서 ENSO로의 역인과관계가 탐지되며, 이는 기존의 기상학적 지식과 일치하지만, 단순한 DWGC나 기존의 GC에서는 탐지되지 않는다.
• 인과성 인덱싱이 없는 단순한 DWGC 방법은 인과력 강도의 유의미한 계절적 변동을 구분하지 못하지만, 개선된 DWGC 방법은 계절 간 F-검정 통계량의 명확한 차이를 드러낸다.
• ENSO → MKE 및 ENSO → OLR의 F-검정 통계량 값은 가을과 겨울에 유의미하게 높아, 해당 기간 동안 ENSO가 몬순 지수를 예측하는 데 더 강력한 영향을 미친다는 것을 시사한다.
• 합성 데이터 및 실제 데이터셋에서의 검증을 통해 개선된 DWGC 방법은 기존의 그랜저 인과관계와 단순한 윈도우 수준 접근법보다 더 높은 탐지 정확도를 달성한다.
• 이론적 분석을 통해 기존의 그랜저 인과관계가 제안된 동적 윈도우 수준 프레임워크의 특수한 경우임을 확인한다.