神经格兰杰因果关系 Neural-GC存储库包含用于在多元时间序列中发现Granger因果网络的基于深度学习的方法的代码。 介绍了此处实现的方法。 安装 要安装代码，请克隆存储库。 您只需要Python 3 ， PyTorch (>= 0.4.0) ， numpy和scipy 。 用法 在笔记本cmlp_lagged_var_demo.ipynb ， clstm_lorenz_demo.ipynb和crnn_lorenz_demo.ipynb查看有关如何应用我们的方法的crnn_lorenz_demo.ipynb 。 这个怎么运作 在此存储库中实现的模型称为cMLP，cLSTM和cRNN，是通过分别预测每个时间序列对多元时间序列进行建模的神经网络。 在训练期间，对输入层权重矩阵的稀疏惩罚会将参数组设置为零，这可以解释为发现格兰杰非因果关系。 可以使用三种不同的惩罚训练cMLP模型：组套索

现有的因果关系发现算法主要基于单个观察变量本身之间的因果关系，无法适用于多组观察变量，为此提出了一种多组典型相关变量的因果关系发现算法。首先，引入多组典型相关变量建立多组典型相关变量的线性非高斯无环模型并提出对应的目标函数；然后，采用梯度上升的方法求解目标函数，构建多组典型相关变量的因果关系网络。模拟实验验证了该算法的有效性，并在移动基站数据上发现了一批有价值的多组无线网络性能指标间的因果关系。