【技术实现步骤摘要】
本专利技术涉及数据因果关系分析的，尤其是涉及化学工艺时间序列数据因果关系图构建方法、装置和介质。
技术介绍
1、时间序列因果发现作为一项重要的数据分析技术，在多个领域都具有关键意义。首先，时间序列数据是我们生活中无处不在的一部分。对于化学工艺时间序列数据，比如反应器的各项数据，分析化学工艺时间序列数据的因果关系，可以预测未来的趋势，进而监控生产过程，及时发现潜在问题并采取措施来提高生产效率。
2、化学工艺时间序列数据的因果关系图构建方法可以分为多个类别，包括统计方法、因果推断方法和深度学习方法。统计方法侧重于使用传统的统计模型和检验来识别时间序列数据中的因果关系。这些方法通常基于假设检验，如格兰杰因果检验，用于判断变量之间是否存在因果关系。统计方法适用于处理线性关系和平稳时间序列数据。因果推断方法致力于建立因果关系模型，以估计不同变量之间的因果效应。这些方法通常基于因果图、潜在因果模型等理论框架，试图捕捉因果关系。然而，它们可能需要依赖一些强假设，如无混杂性和稳态性等。深度学习方法在时间序列因果分析中越来越受欢迎，它可以处理更复杂的非线性关系。深度学习方法试图从数据中学习因果关系，而不依赖于预先定义的模型。然而，大多数基于深度学习的因果发现方法没有考虑混淆变量的影响，使得方法捕捉到了相关性而不是因果关系，影响因果关系分析的准确性。
技术实现思路
1、本专利技术的目的就是为了减少混淆变量的影响，提高因果发现的准确性而提供的一种化学工艺时间序列数据因果关系图构建方法、装置和
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种化学工艺时间序列数据因果关系图构建方法，方法包括：
4、获取实际的化学工艺时间序列数据集，将获取的数据集输入训练完成的因果关系图构建模型，得到实际权重矩阵，将实际权重矩阵转化为因果关系图，其中，因果关系图构建模型的训练过程具体为：
5、s1、获取训练用的化学工艺时间序列数据集，训练用的化学工艺时间序列数据集由多个时间序列组成；
6、s2、将多个时间序列输入多通道时间卷积网络编码器-解码器，时间卷积网络编码器输出特征集，时间卷积网络解码器输出重建特征，其中，时间卷积网络编码器-解码器中的扩张卷积核的权重为重加权去相关权重；
7、s3、将特征集输入自注意力编码器，自注意力编码器的输出作为图卷积网络的初始化的邻接矩阵，图卷积网络输出特征矩阵；
8、s4、特征矩阵输入多层感知器网络，多层感知器网络输出变量预测值；
9、s5、构建联合损失函数，基于联合损失函数进行迭代训练，得到训练完成的因果关系图构建模型。
10、进一步地，多通道时间卷积网络编码器-解码器包括多通道时间卷积网络编码器和多通道时间卷积网络解码器，s2的具体步骤为：
11、将多个时间序列输入多通道时间卷积网络编码器，多通道时间卷积网络编码器输出特征集，特征集输入多通道时间卷积网络解码器进行特征重建，得到重建特征。
12、进一步地，s3的具体步骤为：
13、将特征集输入自注意力编码器，生成权重矩阵，将权重矩阵作为图卷积网络的初始化的邻接矩阵，将重建特征输入图卷积网络，图卷积网络基于邻接矩阵和重建特征输出特征矩阵。
14、进一步地，s5的具体步骤为：
15、基于时间序列、重建特征、变量预测值、真实预测值和邻接矩阵构建联合损失函数，基于联合损失函数训练多通道时间卷积网络编码器、多通道时间卷积网络解码器、自注意力编码器、图卷积网络和多层感知器网络，得到训练完成的因果关系图构建模型。
16、进一步地，联合损失函数为：
17、
18、
19、其中，表示第j个重加权去相关权重，j表示时间序列的序号，n表示时间序列的总数，表示第j个时间序列，表示第j个重建特征，表示第j个时间序列的预测值，表示第j个时间序列的真实值，表示邻接矩阵，表示的列均值，表示除去时间序列中第时刻变量后所有剩余变量的不同采样时刻下的值，是对角矩阵，表示时间序列中第时刻变量的值， t表示每个时间序列的采样时刻总数，表示第k个重加权去相关权重，、、和分别为各项正则化约束的上限值。
20、进一步地，基于联合损失函数进行迭代训练的具体步骤为：
21、a1、基于联合损失函数更新多通道时间卷积网络编码器-解码器的重加权去相关权重，返回s2，再次计算联合损失函数，重复上述步骤直至联合损失函数中重构误差项最小；
22、a2、冻结时间卷积网络编码器-解码器的参数，基于联合损失函数更新自注意力编码器、图卷积网络和多层感知器网络的参数，返回s2，再次计算联合损失函数，直至联合损失函数中预测误差项和邻接矩阵正则化约束项最小。
23、进一步地，每个时间序列为不同采样时刻下的同一个化学工艺变量的值。
24、本专利技术的另一方面，还提出一种化学工艺时间序列数据因果关系图构建装置，包括实际的化学工艺时间序列数据集获取模块、因果关系图构建模型模块和因果关系图转化模块，其中，
25、实际的化学工艺时间序列数据集获取模块用于获取实际的化学工艺时间序列数据集；
26、因果关系图构建模型模块用于将获取的数据集输入训练完成的因果关系图构建模型，得到实际权重矩阵；
27、因果关系图转化模块用于将实际权重矩阵转化为因果关系图，其中，因果关系图构建模型的训练过程具体为：
28、s1、获取训练用的化学工艺时间序列数据集，训练用的化学工艺时间序列数据集由多个时间序列组成；
29、s2、将多个时间序列输入多通道时间卷积网络编码器-解码器，时间卷积网络编码器输出特征集，时间卷积网络解码器输出重建特征，其中，时间卷积网络编码器-解码器中的扩张卷积核的权重为重加权去相关权重；
30、s3、将特征集输入自注意力编码器，自注意力编码器的输出作为图卷积网络的初始化的邻接矩阵，图卷积网络输出特征矩阵；
31、s4、特征矩阵输入多层感知器网络，多层感知器网络输出变量预测值；
32、s5、构建联合损失函数，基于联合损失函数进行迭代训练，得到训练完成的因果关系图构建模型。
33、进一步地，多通道时间卷积网络编码器-解码器包括多通道时间卷积网络编码器和多通道时间卷积网络解码器，s2的具体步骤为：
34、将多个时间序列输入多通道时间卷积网络编码器，多通道时间卷积网络编码器输出特征集，特征集输入多通道时间卷积网络解码器进行特征重建，得到重建特征。
35、进一步地，s3的具体步骤为：
36、将特征集输入自注意力编码器，生成权重矩阵，将权重矩阵作为图卷积网络的初始化的邻接矩阵，将重建特征输入图卷积网络，图卷积网络基于邻接矩阵和重建特征输出特征矩阵。
37、进一步地，s5的具体步骤为：...
【技术保护点】
1.一种化学工艺时间序列数据因果关系图构建方法，其特征在于，方法包括：
2.根据权利要求1所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，多通道时间卷积网络编码器-解码器包括多通道时间卷积网络编码器和多通道时间卷积网络解码器，S2的具体步骤为：
3.根据权利要求2所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，S3的具体步骤为：
4.根据权利要求3所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，S5的具体步骤为：
5.根据权利要求4所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，联合损失函数为：
6.根据权利要求5所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，基于联合损失函数进行迭代训练的具体步骤为：
7.根据权利要求1所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，每个时间序列为不同采样时刻下的同一个化学工艺变量的值。
8.一种化学工艺时间序列数据因果关系图构建装置，其特征在于，包括实际的化学工艺时间序列数据集
9.根据权利要求8所述的一种化学工艺时间序列数据因果关系图构建装置，其特征在于，多通道时间卷积网络编码器-解码器包括多通道时间卷积网络编码器和多通道时间卷积网络解码器，S2的具体步骤为：
10.根据权利要求9所述的一种化学工艺时间序列数据因果关系图构建装置，其特征在于，S3的具体步骤为：
11.根据权利要求10所述的一种化学工艺时间序列数据因果关系图构建装置，其特征在于，S5的具体步骤为：
12.根据权利要求11所述的一种化学工艺时间序列数据因果关系图构建装置，其特征在于，联合损失函数为：
13.根据权利要求12所述的一种化学工艺时间序列数据因果关系图构建装置，其特征在于，基于联合损失函数进行迭代训练的具体步骤为：
14.根据权利要求8所述的一种化学工艺时间序列数据因果关系图构建装置，其特征在于，每个时间序列为不同采样时刻下的同一个化学工艺变量的值。
15.一种化学工艺时间序列数据因果关系图构建装置，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的方法。
16.一种计算机可读存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-7中任一所述的方法。
...【技术特征摘要】
1.一种化学工艺时间序列数据因果关系图构建方法，其特征在于，方法包括：
2.根据权利要求1所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，多通道时间卷积网络编码器-解码器包括多通道时间卷积网络编码器和多通道时间卷积网络解码器，s2的具体步骤为：
3.根据权利要求2所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，s3的具体步骤为：
4.根据权利要求3所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，s5的具体步骤为：
5.根据权利要求4所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，联合损失函数为：
6.根据权利要求5所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，基于联合损失函数进行迭代训练的具体步骤为：
7.根据权利要求1所述的一种化学工艺时间序列数据因果关系图构建方法，其特征在于，每个时间序列为不同采样时刻下的同一个化学工艺变量的值。
8.一种化学工艺时间序列数据因果关系图构建装置，其特征在于，包括实际的化学工艺时间序列数据集获取模块、因果关系图构建模型模块和因果关系图转化模块，其中，
9.根据权利要求8所述的一种化学工...
【专利技术属性】
技术研发人员：卜海丽，张亚楠，王佳玮，段曼妮，田品，刘彦林，王永恒，
申请(专利权)人：之江实验室，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。