[论文解读] 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 5

一句话总结

本文提出动态窗口级格兰杰因果关系（DWGC），通过在滑动窗口上应用F检验并结合非线性自回归模型，检测多通道时间序列中时变的因果关系。该方法引入一种因果索引技术，以降低自相关噪声并增强交叉相关性检测，显著提升了在合成数据和真实气象数据上相较于传统及朴素窗口级格兰杰因果关系方法的准确性。

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.

研究动机与目标

• 为解决传统格兰杰因果关系方法假设时间序列通道间因果关系恒定不变的局限性。
• 建模随时间演变的动态因果关系，尤其适用于复杂、非平稳的真实世界数据。
• 开发一种窗口级方法，利用滑动窗口捕捉时变的因果结构。
• 通过一种新颖的因果索引技术，降低自相关影响并增强交叉相关性效应，从而提高检测准确性。

提出的方法

• 该方法在时间序列数据的滑动窗口上构建非线性自回归（NAR）模型，以捕捉非线性动态特性。
• 通过F检验比较包含与不包含潜在原因通道时的预测性能，识别窗口级别的因果影响。
• 引入因果索引矩阵对时间序列数据进行重加权，以降低自相关性并放大交叉相关性效应。
• 通过损失函数优化因果索引，以最小化自相关噪声，从而提升检测准确性。
• 理论上证明该方法可将传统格兰杰因果关系作为特例推广。
• 该方法在合成数据和涉及ENSO与东亚季风指数的真实气象数据集上进行了评估。

实验结果

研究问题

• RQ1 窗口级格兰杰因果关系能否检测多通道时间序列中随时间变化的动态因果关系？
• RQ2 所提出的因果索引技术相较于朴素窗口级方法，如何提升动态因果关系检测的准确性？
• RQ3 DWGC方法在检测非平稳数据中时变因果结构方面是否优于传统格兰杰因果关系？
• RQ4 该方法在气候科学等真实世界应用中，与先前领域知识的契合程度如何？
• RQ5 该方法能否检测在不同季节窗口中出现的双向因果关系？

主要发现

• 采用因果索引的DWGC方法成功检测到ENSO与东亚季风指数（MKE/OLR）在秋季和冬季（10月至12月）之间存在更强的因果关系，与已知的气候学模式一致。
• 该方法在春季和夏季（5月至8月）识别出从MKE和OLR到ENSO的反向因果关系，这与既定的气象学知识相符，但朴素DWGC或传统GC方法未能检测到。
• 不使用因果索引的朴素DWGC方法无法区分因果强度在季节间的显著差异，而改进后的DWGC方法则在不同季节间清晰揭示了F统计量值的差异。
• ENSO → MKE和ENSO → OLR的F统计量值在秋季和冬季显著更高，表明ENSO在这些时期对季风指数具有更强的预测能力。
• 改进后的DWGC方法在合成数据和真实数据集上的验证结果表明，其检测准确性优于传统格兰杰因果关系和朴素窗口级方法。
• 理论分析证实，传统格兰杰因果关系是所提出的动态窗口级框架的一个特例。