基于神经网络的时序因果发现研究综述.docVIP

基于神经网络的时序因果发现研究综述

一、时序因果发现的核心内涵与现实需求

时序因果发现是因果推断领域与时间序列分析交叉的核心研究方向，其目标是从观测到的时间序列数据中自动挖掘变量之间存在的因果关系结构，明确原因变量与结果变量的作用方向、延迟效应及强度。与传统基于相关性的时间序列分析不同，因果发现得到的结构具备可解释性、可干预性和可迁移性，能够回答“为什么”的问题，而非仅回答“是什么”的关联模式。

在工业界和科研领域，时序因果发现的需求正在快速爆发。金融风控场景中，需要从股票价格、交易量、宏观经济指标等时序数据中定位影响金融风险的核心因果因子，避免关联模型中存在的伪相关导致的决策误判；智慧医疗领域，可从患者的生命体征时序数据、用药记录中挖掘症状与疾病发展的因果关系，为临床诊断和个性化治疗提供依据；工业运维场景中，基于传感器采集的设备运行时序数据定位故障传播路径，实现根因分析和预测性维护；气候变化研究中，从温度、碳排放、植被覆盖等长时序数据中识别气候系统内部的因果反馈机制，提升气候模型的预测精度。这些现实场景的共性需求是：数据维度高、噪声强、因果关系存在时间延迟、变量间可能存在非线性耦合，传统因果发现方法难以应对这些挑战，而神经网络强大的表征学习能力为解决这类问题提供了新的路径。

传统的时序因果发现方法主要分为两类：一类是基于约束的方法，以格兰杰因果检验为代表，通过检验变量的历史信息是