1 论文标题：动态正则格兰杰因果学习方法
2 作者信息：姚牧芸, 王志海, 刘海洋*, 蒋文睿, 程帅卿：北京交通大学计算机科学与技术学院，北京；蔡智明, 任 佳：中西创新学院数字科技学院，澳门；杨艳超：中西创新学院国际语言服务研究院，澳门
3 出处和链接：姚牧芸, 王志海, 刘海洋, 蒋文睿, 程帅卿, 蔡智明, 任佳, 杨艳超. 动态正则格兰杰因果学习方法[J]. 数据挖掘, 2025, 15(2): 184-200.
https://doi.org/10.12677/hjdm.2025.1520164 摘要：在医学和金融学等实际领域中，了解动态系统中的底层结构关系对于调节系统中的变量和预测系统未来状态至关重要。系统的动态变化会生成时间序列数据，通过观察时间序列数据可以分析系统的底层结构。格兰杰因果关系分析方法可以应用于一维或多维时间序列系统，现有的方法以组件式的建模方式分析每个系统变量特定的因果关系，受限于时间方向的强假设性和组件模型的单一性，其无法准确地挖掘出时间序列中的因果关系结构。本文提出了一种基于动态稀疏正则化的格兰杰因果发现方法DRGC (Dynamic Regularity Granger Causlity)。DRGC模型从卷积网络的输入权重中周期性地发掘变量在时间维度上的依赖信息，并以此为据向网络施加稀疏惩罚，以获得精确的格兰杰因果关系；同时，使用采样输入的循环网络提取数据中的长程依赖关系，同步优化卷积网络的权重，增强了模型发现因果关系的精确性和稳定性。在模拟数据集和真实系统生成的数据集上的实验表明，DRGC优于最先进的基线方法。
