摘要
联合国可持续发展目标(SustainableDevelopmentGoals，SDGs)是经济、社会与环境共同发展的评价指南，共包含17个总目标，169个子目标及若干监测指标。当前SDGs制约与协同的研究主要依赖于相关性分析方法，只能发现数据共同变化的规律，无法充分利用时序数据的价值。近期，因果性分析成为研究热点，基于因果关系发现的因果性分析作为最接近于事物本源运行规律的分析方法，能够得到事物之间相互作用的方向并能够对过去及未来做出假设推断。在SDGs主题的研究中应用因果分析技术，有助于提升人类对可持续发展的认知，促进决策的有效性与科学性。 SDGs时序数据按类型可分为统计指标数据与观测对象数据，现有因果关系发现方法在SDGs数据场景准确度较低，难以直接迁移应用，面临以下挑战:1)SDGs时序统计指标数据通常以年为时间单位聚合，样本数量较少是建模的挑战之一。2)SDGs时序观测数据多由传感器采样得到，观测不完全、观测对象之间因果效应时间滞后较大是建模的另一个挑战。 针对上述挑战，本文对因果关系发现算法与系统进行了研究，具体包括:1)面向SDGs时序统计指标数据场景，提出了基于注意力的时序共享卷积因果发现算法，在不降低模型性能的前提下，实现模型参数的有效压缩。同时引入全局因果约束方法，将局部目标拟合损失与全局因果约束损失融合。经过模拟与真实数据集验证，该算法具有较高的因果发现准确性。2)面向SDGs时序观测数据场景，提出了一种局部关联卷积全局因果校验的二阶段因果关系发现算法，该算法第一阶段支持长因果效应时间滞后数据的建模，第二阶段使用多种策略在实现全局因果约束的同时减少观测不完全带来的扰动。经过模拟与真实数据集验证，该算法在时序观测数据场景具有较高的F1分数，且在不同规模数据上性能表现稳定。3)以两种算法为基础，同时集成几种常用时序数据因果发现算法，设计并实现了一个时序因果关系发现Python工具库，包括数据管理、算法、模型评测等模块。同时基于工具库开发了一个面向SDGs因果关系发现的可视化交互式分析工具系统。
NETL