基于因果推断的时序预测研究综述

基于因果推断的时序预测研究综述1引言时序预测是指根据历史时间序列数据对未来时刻的数值进行预测，其广泛应用于气象预报、交通流量预测、金融市场分析、能源负荷调度等众多领域。传统时序预测模型如ARIMA、指数平滑法等主要基于序列相关性建模，通过捕捉数据中的历史趋势、周期特征实现预测，但这类模型在复杂动态系统中往往难以处理混淆变量干扰、分布偏移、异质性影响等问题，预测结果的鲁棒性和可解释性存在明显局限。近年来，随着因果推断理论的发展，将因果关系引入时序预测领域逐渐成为研究热点，因果推断能够从数据生成机制的角度分析变量间的内在联系，区分相关性与因果性，有效解决传统方法的固有缺陷，为时序预测提供了全新的研究范式。2时序预测中的因果基础2.1因果与相关的本质区别相关性描述的是变量之间的统计关联，即两个变量的变化存在某种协同规律，但这种关联可能由第三方混淆变量共同驱动，并不代表二者存在真实的作用关系。例如，夏季冰淇淋销量上升的同时溺水死亡人数也会增加，二者存在显著相关性，但并不存在因果关系，其共同驱动因素是气温升高。而因果关系强调的是“干预”效应，即当改变某个原因变量的取值时，结果变量的取值会发生系统性变化，这种关系具有方向性和稳定性，不受混淆变量的干扰。在时序预测场景中，单纯依赖相关性建模存在明显局限性：首先，当外部环境发生变化导致分布偏移时，相关关系可能发生改变，模型预测性能会出现显著下降；其次，相关性模型无法回答“如果采取某种干预措施，未来序列会如何变化”这类反事实问题，难以支撑决策需求；最后，相关性模型的预测结果缺乏可解释性，无法明确哪些变量是影响预测结果的关键因素，也无法解释预测结果产生的内在机制。2.2时序因果的基本框架时序数据具有时间先后顺序的天然属性，这与因果关系的“因先于果”的时间优先级假设高度契合，为因果推断在时序预测中的应用提供了基础。目前主流的时序因果框架主要包括潜在结果框架和结构因果模型框架两类。潜在结果框架由Rubin提出，其核心是定义每个个体在不同干预下的潜在结果，通过比较干预组和对照组的结果差异估计因果效应。在时序场景中，干预是随时间变化的，每个时刻的干预不仅会影响当前时刻的结果，还会影响后续时刻的协变量和结果，即存在时间依赖的混淆变量：过去的干预会影响当前的混淆变量，当前的混淆变量又会影响当前的干预和未来的结果。针对这一问题，Robins提出了边际结构模型（MSM），通过逆概率加权调整时间依赖混淆的影响，实现动态干预下的因果效应估计。结构因果模型（SCM）由Pearl提出，通过有向无环图（DAG）描述变量之间的因果关系，每个变量的取值由其父节点和独立噪声项共同决定。在时序场景中，结构因果模型通常扩展为动态结构因果模型（DSCM），允许变量随时间演化，每个时刻的变量由前一时刻的父节点和当前噪声共同决定。与潜在结果框架相比，结构因果模型能够更清晰地展示变量间的因果结构，便于进行反事实推理和干预效果预测。3基于因果推断的时序预测方法分类3.1基于因果发现的预测方法因果发现是指从观测数据中自动学习变量之间的因果结构，即确定哪些变量是原因变量，哪些是结果变量，以及变量之间的作用方向。将因果发现应用于时序预测的基本思路是：首先通过因果发现算法学习时序变量之间的因果图，然后基于学习到的因果结构选择预测特征，构建预测模型，从而减少冗余特征的干扰，提高模型的预测性能和可解释性。传统的时序因果发现算法主要包括基于约束的方法和基于评分的方法。基于约束的方法如PC算法、FCI算法通过条件独立性检验识别变量之间的独立关系，进而确定因果结构；基于评分的方法如贝叶斯信息准则（BIC）、贝叶斯Dirichlet等价类评分（BDeu）通过给每个可能的因果结构打分，选择得分最高的结构作为输出。然而这类算法通常假设变量是独立同分布的，对于高维、非平稳的时序数据处理能力有限。近年来，针对时序数据的因果发现算法不断涌现。例如，Granger因果检验是经典的时序因果分析方法，其核心思想是如果变量X的历史信息有助于提高变量Y的预测精度，那么X是Y的Granger原因。但Granger因果本质上是一种预测因果关系，并不等同于真实的因果关系，且容易受到混淆变量的影响。针对这一问题，研究者提出了一系列改进方法，如基于核方法的非线性Granger因果检验、考虑混淆变量的因果发现算法等。此外，随着深度学习的发展，基于神经网络的因果发现算法逐渐成为研究热点，这类算法通过将因果图的邻接矩阵作为可学习参数，利用神经网络的拟合能力从高维时序数据中学习因果结构，显著提高了高维场景下的因果发现效率和准确率。基于因果发现的预测方法的优势在于能够自动识别影响预测目标的关键因果变量，减少特征选择的主观性，同时学习到的因果结构能够为预测结果提供可解释性。但这类方法的性能高度依赖于因果发现的准确率，当数据存在噪声、混淆变量或非平稳性时，因果发现结果可能存在偏差，进而影响预测性能。3.2基于因果效应估计的预测方法因果效应估计是指估计某个干预变量对结果变量的影响程度，在时序预测场景中，通常需要估计随时间变化的干预对未来结果的影响，从而实现更精准的预测。这类方法的核心是调整混淆变量的影响，准确估计干预的因果效应，进而将因果效应纳入预测模型。逆概率加权（IPW）是最常用的因果效应估计方法之一，其基本思想是给每个样本分配一个权重，使得加权后的干预组和对照组的混淆变量分布是均衡的，从而消除混淆变量的影响。在时序场景中，由于干预是随时间变化的，需要计算每个时刻的逆概率权重，然后将这些权重相乘得到整个序列的权重，即边际结构模型中的逆概率治疗权重（IPTW）。通过IPTW加权后，可以直接使用传统的预测模型对加权后的数据进行建模，得到无偏的预测结果。双稳健估计是另一种常用的因果效应估计方法，它同时构建干预分配模型和结果回归模型，只要其中一个模型设定正确，就能够得到无偏的因果效应估计，提高了估计的稳健性。在时序预测中，双稳健估计可以有效降低模型设定错误对预测结果的影响，尤其适用于数据质量较低、变量关系复杂的场景。此外，匹配方法也是因果效应估计的重要手段，其核心是为每个干预样本匹配一个或多个具有相似混淆变量特征的对照样本，使得匹配后的两组样本除了干预变量不同外，其他特征分布一致，从而通过比较两组样本的结果差异估计因果效应。在时序场景中，常用的匹配方法包括倾向性得分匹配、邻近匹配、coarsenedexactmatching等。匹配方法的优势在于无需对变量关系进行过多假设，结果更具稳健性，但在高维场景下可能面临维度灾难问题。基于因果效应估计的预测方法能够有效处理混淆变量的干扰，提高预测结果的准确性，尤其适合存在明确干预变量的预测场景，如政策效果预测、医疗结局预测等。但这类方法通常需要对干预分配机制有一定的先验知识，且当干预变量较多、时间序列较长时，计算复杂度会显著上升。3.3基于反事实推理的预测方法反事实推理是指回答“如果过去采取了不同的干预措施，未来会发生什么”这类问题，是因果推断的核心能力之一。在时序预测中，反事实推理能够帮助我们预测不同干预策略下的未来序列演化，为决策提供支持。动态结构因果模型是实现时序反事实推理的主流框架，其基本步骤包括：首先根据先验知识或因果发现算法构建动态结构因果模型，确定变量之间的因果关系和函数形式；然后利用观测数据估计模型的参数；最后通过修改模型中的干预变量取值，模拟不同干预下的序列演化，得到反事实预测结果。深度生成模型的发展为时序反事实推理提供了新的工具。例如，基于变分自编码器（VAE）的反事实预测方法通过编码器学习时序数据的潜在表示，然后在潜在空间中修改与干预相关的维度，再通过解码器生成反事实序列；基于生成对抗网络（GAN）的反事实预测方法通过生成器和判别器的对抗训练，学习真实数据的分布，进而生成符合真实数据分布的反事实序列。这类基于深度学习的反事实预测方法能够有效处理高维、非线性的时序数据，生成更真实的反事实结果。反事实预测的另一个重要研究方向是反事实一致性，即生成的反事实序列需要满足事实合理性和因果一致性：反事实序列应该与已知的事实信息保持一致，且干预的效果应该符合因果机制。为了保证反事实一致性，研究者通常会在模型中加入相应的约束项，如基于因果图的独立性约束、干预效果的单调性约束等。基于反事实推理的预测方法能够回答不同干预场景下的“如果”问题，为决策提供直接支持，是因果时序预测中最具应用价值的方向之一。但这类方法通常需要明确的因果结构假设，当因果结构存在未知或不确定性时，反事实预测结果可能存在较大偏差。4因果时序预测的关键挑战4.1时间依赖混淆问题时间依赖混淆是时序因果推断中面临的特有挑战，其指的是过去的干预会影响当前的混淆变量，而当前的混淆变量又会影响当前的干预和未来的结果，形成一个反馈循环。传统的因果推断方法通常假设混淆变量不受过去干预的影响，无法直接处理这种时间依赖的混淆，容易导致估计偏差。目前针对时间依赖混淆的解决方法主要包括边际结构模型、结构嵌套模型、G-公式等。边际结构模型通过逆概率加权调整时间依赖混淆的影响，但当时间序列较长时，权重的方差会显著增大，导致估计结果不稳定；结构嵌套模型通过嵌套的回归模型调整时间依赖混淆，但其模型设定较为复杂，在高维场景下应用难度较大；G-公式通过直接建模结果变量与历史干预、历史混淆变量的关系，估计干预效应，但其预测性能高度依赖于结果模型的设定准确性。如何在高维、长序列场景下高效、稳健地处理时间依赖混淆，仍是未来需要解决的重要问题。4.2非平稳与分布偏移问题现实世界中的时序数据往往是非平稳的，其数据生成机制会随时间发生变化，导致训练数据和测试数据的分布存在差异，即分布偏移问题。传统的时序预测模型基于独立同分布假设，在分布偏移场景下预测性能会显著下降。因果关系具有相对稳定性，即使外部环境发生变化，变量之间的因果机制通常不会轻易改变，因此基于因果关系的预测模型理论上具有更强的分布外泛化能力。但如何利用因果关系解决分布偏移问题仍面临诸多挑战：首先，如何在非平稳时序数据中学习到不变的因果关系，避免将随时间变化的相关关系误判为因果关系；其次，如何将学习到的不变因果关系迁移到不同的分布场景中，实现跨分布的预测；最后，如何量化分布偏移对因果预测模型的影响，为模型的可靠性提供理论保证。近年来，不变因果预测（ICP）、因果表示学习等方向的研究为解决这些问题提供了思路，但仍需要进一步的理论突破和方法创新。4.3高维与可扩展性问题随着物联网、传感器技术的发展，时序数据的维度越来越高，如工业传感器数据、气象监测数据等往往包含上百甚至上千个变量。高维时序数据给因果推断带来了巨大挑战：一方面，高维场景下的因果发现算法复杂度通常呈指数级增长，难以处理大规模变量；另一方面，高维场景下的因果效应估计会面临维度灾难问题，传统方法的估计精度会显著下降。目前针对高维时序因果推断的研究主要集中在以下几个方向：一是基于稀疏假设的因果发现方法，假设因果图是稀疏的，即每个变量只有少数几个父节点，通过引入L1正则化等稀疏约束降低模型复杂度；二是基于因果表示学习的方法，通过神经网络将高维时序数据映射到低维的因果表示空间，在低维空间中进行因果推断和预测；三是分布式因果推断方法，通过分布式计算框架实现大规模数据下的因果分析。如何进一步提高高维场景下因果时序预测的效率和精度，仍是未来研究的重要方向。4.4可解释性与可信度问题传统的深度学习时序预测模型通常是黑盒模型，预测结果缺乏可解释性，用户无法理解模型为什么给出这样的预测结果，也无法判断预测结果的可信度。因果时序预测模型由于引入了因果关系，天然具有更好的可解释性，但如何将因果机制转化为用户可理解的解释，仍是需要解决的问题。目前因果时序预测的可解释性研究主要包括两个层面：一是模型层面的可解释性，即解释模型的预测结果是由哪些因果变量驱动的，以及这些变量是如何影响预测结果的；二是因果结构层面的可解释性，即展示变量之间的因果关系图，让用户理解数据的生成机制。此外，如何量化因果预测模型的不确定性，为预测结果提供置信区间，也是提高模型可信度的重要方向。如何在保证预测性能的同时，提供清晰、可靠的解释，是因果时序预测落地应用的关键。5应用场景5.1智慧医疗在智慧医疗领域，时序预测可以用于患者的病情发展预测、治疗效果预测、不良事件预警等。例如，对于ICU患者，通过分析患者的生命体征时间序列、用药记录等数据，预测患者未来的病情变化，能够帮助医生及时采取干预措施，降低患者死亡率。传统的预测模型容易受到混淆变量的影响，如患者的基础疾病、既往治疗史等都会影响病情发展和治疗效果，导致预测结果存在偏差。基于因果推断的时序预测方法能够调整混淆变量的影响，准确估计不同治疗方案的因果效应，预测不同治疗方案下的病情发展，为临床决策提供支持。例如，通过边际结构模型分析随时间变化的用药对患者预后的影响，能够得到更准确的治疗效果估计，帮助医生选择最优的治疗方案。5.2智能交通在智能交通领域，时序预测主要用于交通流量预测、交通事故预测、旅行时间预测等，是交通信号控制、路径规划、交通管理的基础。传统的交通预测模型通常只考虑交通数据的相关性，无法处理外部干预的影响，如交通管制、交通事故、恶劣天气等都会导致交通流量分布发生变化，使得模型预测性能下降。基于因果推断的时序预测方法能够识别影响交通流量的关键因果因素，估计不同干预措施（如限行、交通信号调整）对交通流量的影响，预测不同干预场景下的交通演化，为交通管理决策提供支持。例如，通过反事实推理预测如果采取限行措施，不同区域的交通流量会如何变化，从而评估限行政策的效果，优化限行方案。5.3金融风控在金融领域，时序预测可以用于股票价格预测、信贷风险预测、fraud检测等。金融数据具有高噪声、非平稳、分布偏移大等特点，传统的预测模型往往难以获得稳定的预测性能。基于因果推断的时序预测方法能够挖掘金融变量之间的内在因果关系，避免过拟合到虚假的相关关系，提高模型的鲁棒性和可解释性。例如，在信贷风险预测中，通过因果推断识别影响用户违约风险的关键因果因素，能够更准确地预测用户的违约概率，同时解释用户违约的原因，为风控决策提供支持。此外，因果推断还能够用于估计不同风控策略的效果，预测不同策略下的坏账率和收益，帮助金融机构优化风控策略。5.4能源调度在能源领域，时序预测主要用于电力负荷预测、可再生能源发电预测、能源价格预测等，是电力系统调度、能源市场交易的基础。传统的能源预测模型难以处理外部因素的干扰，如天气变化、政策调整、用户行为变化等都会导致能源负荷和发电功率发生变化，影响预测精度。基于因果推断的时序预测方法能够识别影响能源供需的关键因果因素，估计不同干预措施（如需求响应政策、储能调度）对能源系统的影响，预测不同场景下的能源供需变化，为能源系统优化调度提供支持。例如，通过因果效应估计预测如果实施需求响应政策，不同用户群体的用电负荷会如何变化，从而评估需求响应的潜力，优化调度方案。6未来研究方向6.1大模型与因果时序预测的融合近年来，大语言模型和时序大模型取得了显著进展，展现出强大的数据拟合和知识推理能力。如何将大模型与因果推断相结合，利用大模型的知识储备和推理能力解决因果时序预测中的难点问题，是未来的重要研究方向。例如，利用大模型的领域知识辅助因果发现，减少因果发现的搜索空间，提高因果发现的准确率；利用大模型的推理能力进行反事实推理，回