主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公English
2022年专刊出版计划 微信服务介绍 最新一期:2021年第2期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
王双成,郑飞,张立.基于贝叶斯网络的时间序列因果关系学习.软件学报,0,(0):0
基于贝叶斯网络的时间序列因果关系学习
Learning Causal Relationship from Time Series Based on Bayesian Network
投稿时间:2018-10-23  修订日期:2019-11-06
DOI:10.13328/j.cnki.jos.006012
中文关键词:  时间序列  因果关系  贝叶斯网络  转换数据集  结构数据集
英文关键词:time series  causal relationship  Bayesian network  transformation data set  structure data set
基金项目:国家社会科学基金(18BTJ020)
作者单位E-mail
王双成 上海立信会计金融学院 信息管理学院, 上海 201620
上海立信会计金融学院 数据科学交叉研究院, 上海 201209 
wangsc@lixin.edu.cn 
郑飞 上海立信会计金融学院 信息管理学院, 上海 201620  
张立 上海立信会计金融学院 信息管理学院, 上海 201620  
摘要点击次数: 74
全文下载次数: 47
中文摘要:
      贝叶斯网络是研究变量之间因果关系的有力工具,基于贝叶斯网络的因果关系学习包括结构学习与参数学习两部分,其中结构学习是核心.目前,贝叶斯网络主要用于发现非时间序列数据中所蕴含的因果关系(非时间序列因果关系),从数据中学习得到的也均是一般变量之间的因果关系.针对这些情况,本文结合时间序列预处理、时间序列变量排序、转换数据集构建和局部贪婪打分-搜索等进行时间序列的因果关系学习;再将包括分段在内的时间序列预处理、时间序列段的因果关系结构学习、因果关系结构数据集构建、因果关系变量排序和局部贪婪打分-搜索等相结合,来进行元因果关系(因果关系变量之间的因果关系)学习,从而实现两个层次的时间序列因果关系学习,为进一步的量化因果分析奠定了基础.分别使用模拟、UCI和金融时间序列数据进行实验与分析,实验结果显示,基于贝叶斯网络能够有效地进行时间序列的因果关系和元因果关系学习.
英文摘要:
      Bayesian network is a powerful tool for studying the causal relationship between variables. Causal learning, based on Bayesian network, consists of two parts:structure learning and parameter learning. Structural learning is the core of causal learning. At present, Bayesian network is mainly used to discover the causality in non time series data (non time series causality) and what is learned from the data is the causal relationship between general variables. In this paper, the causality of time series is learned by time series preconditioning, time series variable sorting, the construction of transformation data set, local greedy search-scoring, maximum likelihood parameter estimation and so on. Combining the time series preconditioning of including segmentation, the structure learning of causal relationship for time series segments, the construction of causality structure data set, the variable sorting of causal relationship, local greedy search-scoring and maximum likelihood parameter estimation etc, meta causal relationship (used to study the randomness of causal relationship) is established. Two levels of causality learning can be realized to lay the foundation for further quantitative causal analysis. Experiments and analyses are done by using simulation, UCI and finance time series to verify the validity, reliability and practicability of learning causal relationship and meta causality based on Bayesian network.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利