一种零时滞非线性扩展Granger因果分析方法技术

一种零时滞非线性扩展Granger因果分析方法，属于数据挖掘技术领域。传统的Granger因果模型基于滞后项的VAR模型，但忽略零时滞会极大地改变滞后项的模型系数，从而导致错误的因果识别。其次，传统的Granger因果模型只能应用于线性系统的因果识别，对于非线性系统可能产生错误的因果识别。基于上述分析，本发明专利技术首先对传统的VAR模型进行扩展，设定变量的滞后阶数，采用高斯核函数将原始数据进行非线性映射，然后建立包含零滞后项的结构VAR模型，最后并根据结构VAR模型的残差进行Granger因果关系识别，实现如污染及气象等非线性系统的零时滞因果关系分析。本发明专利技术能够克服传统Granger因果模型的不足，实现对非线性系统的扩展Granger因果关系分析。

A zero delay nonlinear extended Granger causality analysis method

【技术实现步骤摘要】
一种零时滞非线性扩展Granger因果分析方法
本专利技术属于数据挖掘
，涉及一种零时滞非线性扩展Granger因果分析方法，旨在挖掘气象及环境等非线性系统中各时间序列变量间的(零)时滞因果影响关系。
技术介绍
多元时间序列是指按照时间顺序排列的一系列数字序列的集合，广泛存在于工业、医学、金融和气象等多个领域。例如，大气污染研究领域。过去几十年，我国由于工业化的快速发展及汽车的推广普及，城市空气往往会受到燃煤、工业废气、废料等排放物及汽车尾气的污染，导致空气污染严重。尤其是我国北部和东部许多地区都出现了不同程度的雾霾天气。雾霾主要由CO、SO2、NOx和可吸入颗粒物(主要是直径小于2.5微米的颗粒物，称为PM2.5)组成，其中PM2.5是加重雾霾的主要原因。PM2.5等空气污染物不仅会对经济发展产生负面影响，造成交通拥堵等社会问题，还会危害人类健康，严重时可能会损害人体心血管和呼吸系统，增加罹患癌症的风险。因此，针对PM2.5等大气污染物进行因果关系分析，挖掘污染物(AQI)及气象系统潜在的影响关系，并以此做出污染治理的针对性防治措施以及本文档来自技高网...

【技术保护点】
1.一种零时滞非线性扩展Granger因果分析方法，其特征在于，所述的分析方法对传统的VAR模型进行了扩展，首先设定变量的滞后阶数，然后采用高斯核函数对时序数据进行非线性扩展，最后构建包含零时滞项的多变量结构VAR模型，并根据结构VAR模型的残差进行Granger因果关系识别，实现如污染及气象等非线性系统的零时滞因果关系分析；/n给定一个长度为N的M维AQI时间序列X(t)＝{X

【技术特征摘要】
1.一种零时滞非线性扩展Granger因果分析方法，其特征在于，所述的分析方法对传统的VAR模型进行了扩展，首先设定变量的滞后阶数，然后采用高斯核函数对时序数据进行非线性扩展，最后构建包含零时滞项的多变量结构VAR模型，并根据结构VAR模型的残差进行Granger因果关系识别，实现如污染及气象等非线性系统的零时滞因果关系分析；
给定一个长度为N的M维AQI时间序列X(t)＝{X1(t),X2(t),…,XM(t)},t＝1,2…,N，其中，X1(t),X2(t),…,XM(t)表示在t时刻采集的M维AQI时间序列，t表示数据的采样时刻；通过构建基于非线性结构VAR模型分析是否存在Xj→Xi的非线性零时滞因果关系，实现对AQI及气象系统的因果关系分析；其中，时间序列X(t)，采用如下公式：



式中，p表示设定的VAR模型阶数，A是模型系数，Φ(·)表示进行非线性映射的高斯核函数，E为模型的拟合残差，k表示滞后阶数，t为采样时刻；
所述因果分析方法具体步骤如下：
步骤1：获取AQI及气象系统的观测站采集数据，并对多维AQI及气象系统数据集进行预处理，对缺失值进行三次样条插值法进行缺失值补充和离群点数据替换，得到平滑的时间序列数据；
步骤2：采用单位根检验方法对时间序列数据进行平稳化检验及差分平稳化处理，具体：如果时间序列具有单位根，表明该时间序列是非平稳时间序列，采用差分平稳化方法进行平稳化处理；如果没有单位根，则为平稳时间序列；
步骤3：对时间序列数据进行归一化处理，消除多维变量不同度量单位对分析结果的影响；
步骤4：设定时间序列数据的最大滞后阶数p，对时间序列数据进行滞后项扩展；
步骤5：选取合适的高斯核函数，对原始数据进行非线性扩展，并建立如下式(3)、(4)所示的非线性结构VAR模型；






式中，公式(3)是非限制性结构VAR模型，公式(4)表示不包含Xj的限制性结构VAR模型；p表示设定的模型阶数；X-j＝...

【专利技术属性】
技术研发人员：李柏松，任伟杰，韩敏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21