CN107563596A - 一种基于贝叶斯因果网络的评价指标均衡态分析方法 - Google Patents
一种基于贝叶斯因果网络的评价指标均衡态分析方法 Download PDFInfo
- Publication number
- CN107563596A CN107563596A CN201710657496.3A CN201710657496A CN107563596A CN 107563596 A CN107563596 A CN 107563596A CN 201710657496 A CN201710657496 A CN 201710657496A CN 107563596 A CN107563596 A CN 107563596A
- Authority
- CN
- China
- Prior art keywords
- variable
- bayes
- node
- evaluation index
- causal network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于贝叶斯因果网络的评价指标均衡态分析方法,包括以下步骤:建立系统评价指标体系,并确定影响系统的外生因素;由评价指标得到相应的内生变量集,由系统的外生影响因素得到外生输入变量集,由评价结果得到输出变量集;根据内生变量集、外生输入变量集和输出变量集构建三层贝叶斯因果网络结构,并利用条件独立性检验发现变量之间的因果关系;根据贝叶斯因果网络结构和变量之间的因果关系进行系统动力学建模并仿真计算得到各变量的均衡态;将各变量的均衡态映射到评价指标,得到各评价指标在外生条件约束下的均衡态。本发明具有如下优点:可有效发现复杂系统中评价指标间的因果关系并得到不同条件下评价指标的均衡态。
Description
技术领域
本发明涉及系统评价指标分析领域,具体涉及一种基于贝叶斯因果网络的评价指标均衡态分析方法。
背景技术
评价指标均衡态分析是系统评价指标分析领域的重要问题,也是实现系统优化与改造的关键技术之一。传统的指标体系构建中,要求指标之间具有正交性,但是随着新兴技术的不断突破和应用,现实中的很多系统中的各要素之间的关联性日趋复杂,在全面、综合地对系统开展评价的要求下,所得评价指标之间不可避免地具有某些因果联系。系统的评价指标之间具有的内在因果关系,这在实际工程环境中,所呈现的就是评价指标基准之间的匹配关系。例如,两化融合评价中,企业的人员配置和计算机拥有量之间就存在一种最佳的均衡关系。因此,对于外生条件约束下的系统,其各种指标应该存在一个最佳的匹配关系。在系统评价中,要求得到评价指标在各种条件下的均衡态,以获得系统评价结果分析以及系统优化与改造的基准。
传统的评价指标均衡态分析,由于指标之间具有正交性,往往只需根据专家经验的方法,确定各评价指标的上下限,在评价结果分析中,找到某些明显得分较低的指标,以此来优化和改造系统。这样的方法简单直观,但在指标之间具有内在因果关系的复杂系统中并不适用,因为单个指标的优化可能会影响到其他指标,在指标间的内在因果关系不明的情况下,如果仅改进其中的某个指标可能无助于系统整体功能的提升,反而可能因为无效的投入而产生资源浪费。
发明内容
本发明旨在至少解决上述技术问题之一。
为此,本发明的目的在于提出一种基于贝叶斯因果网络的评价指标均衡态分析方法,可有效发现复杂系统中评价指标间的因果关系并得到不同条件下评价指标的均衡态。
为了实现上述目的,本发明的实施例公开了一种基于贝叶斯因果网络的评价指标均衡态分析方法,包括以下步骤:S101:获取系统的相关信息,建立系统评价指标体系,并确定影响系统的外生因素;由评价指标得到相应的内生变量集,由系统的外生影响因素得到外生输入变量集,由评价结果得到输出变量集;S102:根据所述内生变量集、外生输入变量集和所述输出变量集构建三层贝叶斯因果网络结构,并利用条件独立性检验发现变量之间的因果关系;S103:根据所述贝叶斯因果网络结构和所述变量之间的因果关系,对所述系统进行系统动力学建模,并仿真计算得到各变量的均衡态;S104:将所述各变量的均衡态映射到评价指标,得到各评价指标在外生条件约束下的均衡态。
进一步地,所述建立系统评价指标体系的步骤包括:通过查阅文献资料获取系统的相关信息,然后采用形式化建模分析的方式找出系统的关键要素,并以阶梯式层次结构的形式构建评价指标体系。
进一步地,所述根据所述内生变量集、外生输入变量集和所述输出变量集构建三层贝叶斯因果网络结构的步骤包括:S1021:构建三层贝叶斯因果网络结构图模型G,每一个节点Vi代表一个变量Xi,将外生变量集ExList中的变量置于顶层,内生变量集EnList中的变量置于中间层,输出变量集OuList中的变量置于底层;S1022:利用样本数据,任意选择G中两个变量Xi,Xj进行相关性检验,如果两个变量间存在相关关系,那么就在代表这两个变量的节点间添加一条无向边EAij;当对所有变量完成相关性检验后,就形成了无向图模型GA;S1023:对图模型进行子图分解,通过子图的定义,在中间层将整个图模型分解成若干个子图模型GAi(i=1,2,…),其中,所述子图的定义为:对于一个变量集D,变量集D中包括三层贝叶斯因果网络结构图模型中所有的中间层变量,如果变量集D有一个子集Di,并且当移除Di内变量节点与顶层变量节点、底层变量节点连接的所有边时,子集Di内变量节点和子集外任何变量节点没有路径相连,则子集Di的变量节点和顶层变量节点、底层变量节点所组成的图是整个网络图模型的一个子图;S1024:针对每一个子图GAi,对模型中的各变量进行条件独立性检验,分析各变量间的因果关系,形成局部贝叶斯因果网络结构Gi。
进一步地,所述条件独立性检验并判断各变量间的因果关系包括:选择顶层或底层中的一个变量Xi,同时在中间层,选择与Xi变量的节点通过无向边EAij连接的另一个节点变量Xj,检验变量Xi与Xj之间的条件独立性,如果存在另一个变量Xk,给定变量Xk的情况下,变量Xi和变量Xj条件独立,则删除变量Xi和变量Xj之间的无向边EAij,否则,保留无向边EAij;反复该过程,直至顶层和底层中的所有变量都经过了条件独立性检验;对于保留的与顶层或底层中的变量连接的无向边的方向为顶层变量指向中间层变量或中间层变量指向底层变量;
选择已经建立有向边的节点进行条件独立性检验,根据因果发现规则判断两节点之间无向边的方向,因果发现规则包括:
因果发现规则1:贝叶斯因果网络中的变量Xi,Xj,Xk,如果Xi与Xj相关,Xj与Xk相关,Xi与Xk相关;且在给定Xk的情况下,Xi和Xj条件独立;则该模型中需要删除节点Xi和Xj之间的无向边EAij;在没有数据偏差和其他隐藏变量的情况下,判断三个变量Xi,Xj,Xk之间所有可能的关系结构为:Xi→Xk→Xj或Xi←Xk→Xj或Xi←Xk←Xj;
因果发现规则2:贝叶斯因果网络中的变量Xi,Xj,Xk,如果Xi与Xk相关,Xj与Xk相关,Xi与Xj不相关;在给定变量Xk的情况下,Xi和Xj相关,则在没有数据偏差和其他隐藏变量的情况下得到:Xi→Xk←Xj;
因果发现规则3:贝叶斯因果网络模型中的三个变量Xi,Xj,Xk,如果Xi与Xj相关,Xj与Xk相关,Xi与Xk相关;且在给定Xk的情况下,Xi和Xj条件独立,则在没有数据偏差和其他隐藏变量的情况下,
如果X没有已知的父节点,则有:Xi→Xk→Xj;
如果Z没有已知的父节点,则有:Xi←Xk→Xj;
因果发现规则4:贝叶斯因果网络图模型中,对于模型中的三个变量Xi,Xj,Xk,如果已知Xi→Xk,Xk→Xj,并且给定变量Xk,Xi与Xj相关,此时在没有外在变量干扰的情况下,确定Xi与Xj的之间边的方向为:Xi→Xj;
其中Xi→Xk表示节点Vi和节点Vk之间的无向边方向为由Vi指向Vk,并记该有向边为Eik;反复应用因果发现规则,直至所有存在的无向边都通过了条件独立性检验并且标记了确定的或可能的方向;
对于经过上述步骤仍然不能确定方向的变量间的边,保持不变;
S1025将各子图Gi进行组合,形成全局贝叶斯因果网络G,删除G的顶层节点中与中间层节点没有有向边连接的节点;对任意两个由有向边连接的节点进行相关性检验,如果是正相关,则在箭头侧标记“+”,反之,则标记为“-”。
进一步地,所述步骤S103中,基于生成的因果网络结构,对系统进行系统动力学建模的步骤如下:
S1031:在所述全局贝叶斯因果网络结构的基础上,从EnList中任意选取一个变量当作起点,分析它的变化对其他变量的影响,由此一步步地扩展,画出因果链或因果回路,直到将全局贝叶斯因果网络结构中的所有的变量都包含到因果关系图中;因果关系图中引入除EnList、ExList、OuList中的变量外的其他变量到因果关系图中;
S1032:确定系统边界,在所述因果关系图中,ExList中包括的变量为外生变量,EnList中包括的变量为内生变量,OuList中包括的变量为输出变量;区分所述因果关系图回路中的状态变量、速率变量和常量;在因果关系图的基础上,使用相应的流图符号描述和连接系统的各个变量,生成系统动力学流图模型;
S1033:在系统动力学流图模型基础上,构造系统动力学方程,所述系统动力学方程包括水平方程、速率方程和辅助方程;给定系统中各常量的值和系统初始条件,仿真计算得到稳态下各变量的均衡态。
根据本发明实施例的基于贝叶斯因果网络的评价指标均衡态分析方法,其特点和有益效果在于:
1.本发明基于贝叶斯因果网络结构来发现指标之间内在的未知的因果关系,通过条件独立性检验,可以有效排除指标之间的伪相关关系,并确定指标之间的影响方向;另一方面,通过四个主要因果发现规则,可以极大降低条件独立性检验次数,提高计算效率。
2.本发明采用系统动力学建模仿真的方法,借助前述步骤生成的因果网络结构中外生影响因素、评价指标、评价结果三者之间的因果影响关系来构造变量之间的影响回路,能够确定实际对系统产生影响的外生变量以及外生变量影响系统的因果路径,同时能够获得更加准确的系统内生变量之间的因果关系,有利于系统动力学模型中的因果关系图的构建,可适应关联日益复杂的系统,提高评价指标均衡态分析的准确性。
本发明的附加方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明实施例的基于贝叶斯因果网络的评价指标均衡态分析方法的流程图;
图2是本发明一个实施例的构建三层贝叶斯因果网络结构并进行因果关系分析的策略示意图;
图3是本发明一个实施例的系统动力学因果关系图模型;
图4是本发明一个实施例的系统动力学流图模型。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。
参照下面的描述和附图,将清楚本发明的实施例的这些和其他方面。在这些描述和附图中,具体公开了本发明的实施例中的一些特定实施方式,来表示实施本发明的实施例的原理的一些方式,但是应当理解,本发明的实施例的范围不受此限制。相反,本发明的实施例包括落入所附加权利要求书的精神和内涵范围内的所有变化、修改和等同物。
以下结合附图描述本发明。
图1是本发明实施例的基于贝叶斯因果网络的评价指标均衡态分析方法的流程图。如图1所示,本发明的基于贝叶斯因果网络的评价指标均衡态分析方法,包括以下步骤:
S101:获取系统的相关信息,建立系统评价指标体系,并确定影响系统的外生因素;由评价指标得到相应的内生变量集EnList,由系统的外生影响因素得到外生变量集ExList,由评价结果得到输出变量集OuList。
在步骤S101中,通过查阅文献资料获取系统的相关信息,然后采用形式化建模分析的方式找出系统的关键要素,并以阶梯式层次结构的形式构建评价指标体系。其中形式化建模分析,首先要建立系统的参考体系结构,确定系统分析的维度(或视图),并据此得到评价指标体系中的顶层指标;然后利用UML,对系统的功能、业务流程、组织架构、技术应用等进行建模分析,得到影响上层指标的关键因素,从而逐层分解得到下层指标直至数据采集项。另外,由评价指标、外生影响因素、评价结果得到相应变量的过程中,需要将其中定性描述的指标、影响因素等全部数据化,这样全部变量间都可以进行数学计算。
在本实施例中,系统评价指标体系包括六个一级指标:基础建设水平、单项应用水平、综合集成水平、协同创新水平、融合管理水平,影响系统的外生影响因素包括:企业性质、企业规模、企业的行业类型,系统评价的结果是两化融合(信息化与工业化融合)水平;由评价指标得到内生变量集EnList,包括变量:Fscore(基础建设水平)、Uscore(单项应用水平)、Sscore(综合集成水平)、Coopscore(协同创新水平)、Comscore(融合管理水平),由系统的外生影响因素得到外生变量集ExList,包括变量:Property(企业性质)、Size(企业规模)、Class(企业的行业类型),由评价结果得到输出变量集OuList,包括变量:IIILevel(企业两化融合水平)。
S102:根据所述内生变量集、外生输入变量集和所述输出变量集构建三层贝叶斯因果网络结构,并利用条件独立性检验发现变量之间的因果关系。
S1021:构建三层贝叶斯因果网络结构图模型G,每一个节点Vi代表一个变量Xi,将外生变量集ExList中的变量置于顶层,内生变量集EnList中的变量置于中间层,输出变量集OuList中的变量置于底层;
S1022:利用样本数据,任意选择G中两个变量Xi,Xj进行相关性检验,如果两个变量间存在相关关系,那么就在代表这两个变量的节点间添加一条无向边EAij;当对所有变量完成相关性检验后,就形成了无向图模型GA;
S1023:对无向图模型GA进行子图分解;其中,子图的定义为:对于一个变量集D,变量集D中包括三层贝叶斯因果网络结构图模型中所有的中间层变量,如果变量集D有一个子集Di,并且当移除Di内变量节点与顶层变量节点、底层变量节点连接的所有边时,子集Di内变量节点和子集外任何变量节点没有路径相连,则该子集的变量节点和顶层变量节点、底层变量节点所组成的图是整个网络图模型的一个子图;通过子图的定义,将整个图模型GA分解成若干个子图模型GAi(i=1,2,…);
S1024针对每一个子图GAi,对模型中的各变量进行条件独立性检验,分析各变量间的因果关系,形成局部贝叶斯因果网络结构GBi;
所述条件独立性检验并判断各变量间的因果关系,其具体实现方法如下:选择顶层或底层中的一个变量Xi,同时在中间层,选择与Xi变量的节点通过无向边EAij连接的另一个节点变量Xj,检验变量Xi与Xj之间的条件独立性,如果存在另一个变量Xk,给定变量Xk的情况下,变量Xi和变量Xj条件独立,则删除变量Xi和变量Xj之间的无向边EAij,否则,保留无向边EAij;反复该过程,直至顶层和底层中的所有变量都经过了条件独立性检验;对于那些依然保留的与顶层或底层中的变量连接的无向边,其方向为顶层变量指向中间层变量或中间层变量指向底层变量;
选择那些已经建立有向边的节点进行条件独立性检验,根据因果发现规则判断两节点之间无向边的方向,因果发现规则具体如下:
因果发现规则1:贝叶斯因果网络中的变量Xi,Xj,Xk,如果Xi与Xj相关,Xj与Xk相关,Xi与Xk相关;且在给定Xk的情况下,Xi和Xj条件独立。则该模型中需要删除节点Xi和Xj之间的无向边EAij,即Xi和Xj没有直接的因果关系;且在没有数据偏差和其他隐藏变量的情况下,可以判断三个变量Xi,Xj,Xk之间所有可能的关系结构为:Xi→Xk→Xj或Xi←Xk→Xj或Xi←Xk←Xj;
因果发现规则2:贝叶斯因果网络中的变量Xi,Xj,Xk,如果Xi与Xk相关,Xj与Xk相关,Xi与Xj不相关;且在给定变量Xk的情况下,Xi和Xj相关。则在没有数据偏差和其他隐藏变量的情况下,可以得到:Xi→Xk←Xj;
因果发现规则3:贝叶斯因果网络模型中的三个变量Xi,Xj,Xk,如果Xi与Xj相关,Xj与Xk相关,Xi与Xk相关;且在给定Xk的情况下,Xi和Xj条件独立。则在没有数据偏差和其他隐藏变量的情况下,
如果X没有已知的父节点,则有:Xi→Xk→Xj;
如果Z没有已知的父节点,则有:Xi←Xk→Xj;
因果发现规则4:贝叶斯因果网络图模型中要避免成环,对于模型中的三个变量Xi,Xj,Xk,如果已知Xi是Xk的原因(Xi→Xk),Xk是Xj的原因(Xk→Xj),并且给定变量Xk,Xi与Xj相关,此时在没有外在变量干扰的情况下,可以确定Xi与Xj的之间边的方向为:Xi→Xj;
其中Xi→Xk表示节点Vi和节点Vk之间的无向边方向为由Vi指向Vk,并记该有向边为Eik;反复应用因果发现规则,直至所有存在的无向边都通过了条件独立性检验并且标记了确定的或可能的方向;
对于经过上述步骤仍然不能确定方向的变量间的边,保持不变。
S1025将各子图GBi进行组合,形成全局贝叶斯因果网络GB,删除GB的顶层节点中与中间层节点没有有向边连接的节点;对任意两个由有向边连接的节点进行相关性检验,如果是正相关,则在箭头侧标记“+”,反之,则标记为“-”。
在本实施例中,如图2所示,贝叶斯因果网络结构发现具体步骤如下:构建三层贝叶斯因果网络结构图模型G,变量Fscore、Uscore、Sscore、Coopscore、Comscore置于中间层,变量Property、Size、Class置于顶层,变量IIILevel置于底层;利用样本数据对变量间进行相关性检验,样本数据来源于对工业企业进行调查获得的数据库中的数据,对于同为连续型变量(Fscore、Uscore、Sscore、Coopscore、Comscore)间的相关性检验采用皮尔森相关系数(Pearson correlation)和斯皮尔曼相关系数(Spearman Rank),Pearson相关系数适用于服从正态分布的变量,在相关性检验前,首先要对变量做正态分布检验,如果两个变量均服从正态分布,可以采用Pearson相关系数,如果有变量不服从正态分布,可以对变量进行正态性变换,使之尽量接近正态分布,然后采用Pearson相关系数,另外,Spearman相关系数是一种无参数(与分布无关)的检验方法,为了更加准确的度量两个变量之间的相关性,同时使用Pearson相关系数和Spearman相关系数来检验变量相关性,当两个相关系数均显著认为变量相关时,可以认为两个变量之间相关;对于离散变量(Property、Size、Class)和连续变量(Fscore、Uscore、Sscore、Coopscore、Comscore)之间的相关性检验,可以通过检验离散变量不同取值下,连续变量的取值是否来自同一分布,从而检验离散变量和连续变量之间是否存在相关关系,检验两个独立样本是否来自相同的或相等的总体,可以采用t检验和Wilcoxon秩和检验,当两个独立样本均来自正态分布并具有相同的方差时,采用t检验,否则,替换t检验法为Wilcoxon秩和检验;对所有变量完成相关性检验后,形成了无向图模型GA,并根据子图定义,将无向图模型分解成三个子图GA1、GA2、GA3;分别对子图中的变量间的因果关系进行分析,在进行条件独立性性检验时,由于中间层变量是连续变量,因此中间层变量作为条件给定时的“给定”是近似的,所以需要综合多次随机给定条件判断的其他两个变量之间的相关性的结果来判断条件独立性,结合4个因果发现规则,可以得到三个子图GB1、GB2、GB3;将子图GB1、GB2、GB3组合得到全局贝叶斯因果网络结构GB,并对所有中间层变量中有向边连接的节点进行相关性检验,如果是正相关,则在箭头侧标记“+”,反之,则标记为“-”。
S103:根据所述贝叶斯因果网络结构和所述变量之间的因果关系,对所述系统进行系统动力学建模,并仿真计算得到各变量的均衡态。
S1031:在所述全局贝叶斯因果网络结构的基础上,从EnList中任意选取一个变量当作起点,分析它的变化对其他变量的影响,由此一步步地扩展,画出因果链或因果回路,直到将全局贝叶斯因果网络结构中的所有的变量都包含到因果关系图中;因果关系图中应有反馈结构并形成闭合回路,而在贝叶斯因果网络结构中不存在反馈环或回路,因此有必要引入除EnList、ExList、OuList中的变量外的其他变量到因果关系图中;
S1032:确定系统边界,在因果关系图中,ExList中包括的变量为外生变量,EnList中包括的变量为内生变量,OuList中包括的变量为输出变量,其他变量视具体情况划分为外生变量或内生变量;区分所述因果关系图回路中不同性质的变量,包括状态变量、速率变量、常量等;在因果关系图的基础上,使用相应的流图符号描述和连接系统的各个变量,生成系统动力学流图模型;
S1033:在系统动力学流图模型基础上,构造系统动力学方程,包括水平方程(L)、速率方程(R)、辅助方程(A);给定系统中各常量的值和系统初始条件,利用相应的计算机软件进行仿真计算,得到稳态下各变量的值,即各变量的均衡态。
在本实施例中,对系统进行系统动力学建模分析的具体步骤如下:以全局贝叶斯因果网络结构GB为基础,从变量Fscore出发一步一步地扩展,得到因果关系图DA,如图3所示,其中引入了变量IIICost(两化融合建设成本)、Benefit(企业经济效益);确定系统边界,变量Property、Size、Class为外生变量,变量Fscore、Uscore、Sscore、Coopscore、Comscore、IIICost、Benefit为内生变量,变量IIILevel为输出变量;区分因果关系图中变量的性质,变量Property、Size、Class均为外生给定的常量,变量Fscore、Uscore、Sscore、Coopscore、Comscore、IIICost、Benefit、IIILevel为状态变量;在因果关系图DA的基础上,使用相应的流图符号描述和连接系统的各个变量,生成系统动力学流图模型FA,如图4所示;最后,在系统动力学流图模型基础上,构造系统动力学方程,给定系统中各常量的值和系统初始条件,得到各变量的均衡态,单独提取EnList中所包括的变量的均衡态,记为EnListequil。
S104:将所述各变量的均衡态映射到评价指标,得到各评价指标在外生条件约束下的均衡态。
根据本实施例的基于贝叶斯因果网络的评价指标均衡态分析方法,证明基于贝叶斯因果网络结构来发现指标之间内在的未知的因果关系,可以有效排除指标之间的伪相关关系,准确确定指标之间的影响方向,同时利用四个主要因果发现规则,可以极大降低条件独立性检验次数,提高计算效率;采用系统动力学建模仿真的方法,以贝叶斯因果网络结构为基础来构造各变量之间的影响回路,能够确定真正对系统产生影响的外生变量以及外生变量影响系统的因果路径,同时能够获得更加准确的系统内生变量之间的因果关系,有利于系统动力学模型中的因果关系图的构建,可适应关联日益复杂的系统,提高评价指标均衡态分析的准确性。
另外,本发明实施例的基于贝叶斯因果网络的评价指标均衡态分析方法的其它构成以及作用对于本领域的技术人员而言都是已知的,为了减少冗余,不做赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同限定。
Claims (5)
1.一种基于贝叶斯因果网络的评价指标均衡态分析方法,其特征在于,包括以下步骤:
S101:获取系统的相关信息,建立系统评价指标体系,并确定影响系统的外生因素;由评价指标得到相应的内生变量集,由系统的外生影响因素得到外生输入变量集,由评价结果得到输出变量集;
S102:根据所述内生变量集、外生输入变量集和所述输出变量集构建三层贝叶斯因果网络结构,并利用条件独立性检验发现变量之间的因果关系;
S103:根据所述贝叶斯因果网络结构和所述变量之间的因果关系,对所述系统进行系统动力学建模,并仿真计算得到各变量的均衡态;
S104:将所述各变量的均衡态映射到评价指标,得到各评价指标在外生条件约束下的均衡态。
2.如权利要求1所述的基于贝叶斯因果网络的评价指标均衡态分析方法,其特征在于,所述建立系统评价指标体系的步骤包括:
通过查阅文献资料获取系统的相关信息,然后采用形式化建模分析的方式找出系统的关键要素,并以阶梯式层次结构的形式构建评价指标体系。
3.如权利要求1所述的基于贝叶斯因果网络的评价指标均衡态分析方法,其特征在于,所述根据所述内生变量集、外生输入变量集和所述输出变量集构建三层贝叶斯因果网络结构的步骤包括:
S1021:构建三层贝叶斯因果网络结构图模型G,每一个节点Vi代表一个变量Xi,将外生变量集ExList中的变量置于顶层,内生变量集EnList中的变量置于中间层,输出变量集OuList中的变量置于底层;
S1022:利用样本数据,任意选择G中两个变量Xi,Xj进行相关性检验,如果两个变量间存在相关关系,那么就在代表这两个变量的节点间添加一条无向边EAij;当对所有变量完成相关性检验后,就形成了无向图模型GA;
S1023:对图模型进行子图分解,通过子图的定义,在中间层将整个图模型分解成若干个子图模型GAi(i=1,2,…),其中,所述子图的定义为:对于一个变量集D,变量集D中包括三层贝叶斯因果网络结构图模型中所有的中间层变量,如果变量集D有一个子集Di,并且当移除Di内变量节点与顶层变量节点、底层变量节点连接的所有边时,子集Di内变量节点和子集外任何变量节点没有路径相连,则子集Di的变量节点和顶层变量节点、底层变量节点所组成的图是整个网络图模型的一个子图;
S1024:针对每一个子图GAi,对模型中的各变量进行条件独立性检验,分析各变量间的因果关系,形成局部贝叶斯因果网络结构Gi。
4.如权利要求3所述的基于贝叶斯因果网络的评价指标均衡态分析方法,其特征在于,所述条件独立性检验并判断各变量间的因果关系包括:
选择顶层或底层中的一个变量Xi,同时在中间层,选择与Xi变量的节点通过无向边EAij连接的另一个节点变量Xj,检验变量Xi与Xj之间的条件独立性,如果存在另一个变量Xk,给定变量Xk的情况下,变量Xi和变量Xj条件独立,则删除变量Xi和变量Xj之间的无向边EAij,否则,保留无向边EAij;反复该过程,直至顶层和底层中的所有变量都经过了条件独立性检验;对于保留的与顶层或底层中的变量连接的无向边的方向为顶层变量指向中间层变量或中间层变量指向底层变量;
选择已经建立有向边的节点进行条件独立性检验,根据因果发现规则判断两节点之间无向边的方向,因果发现规则包括:
因果发现规则1:贝叶斯因果网络中的变量Xi,Xj,Xk,如果Xi与Xj相关,Xj与Xk相关,Xi与Xk相关;且在给定Xk的情况下,Xi和Xj条件独立;则该模型中需要删除节点Xi和Xj之间的无向边EAij;在没有数据偏差和其他隐藏变量的情况下,判断三个变量Xi,Xj,Xk之间所有可能的关系结构为:Xi→Xk→Xj或Xi←Xk→Xj或Xi←Xk←Xj;
因果发现规则2:贝叶斯因果网络中的变量Xi,Xj,Xk,如果Xi与Xk相关,Xj与Xk相关,Xi与Xj不相关;在给定变量Xk的情况下,Xi和Xj相关,则在没有数据偏差和其他隐藏变量的情况下得到:Xi→Xk←Xj;
因果发现规则3:贝叶斯因果网络模型中的三个变量Xi,Xj,Xk,如果Xi与Xj相关,Xj与Xk相关,Xi与Xk相关;且在给定Xk的情况下,Xi和Xj条件独立,则在没有数据偏差和其他隐藏变量的情况下,
如果X没有已知的父节点,则有:Xi→Xk→Xj;
如果Z没有已知的父节点,则有:Xi←Xk→Xj;
因果发现规则4:贝叶斯因果网络图模型中,对于模型中的三个变量Xi,Xj,Xk,如果已知Xi→Xk,Xk→Xj,并且给定变量Xk,Xi与Xj相关,此时在没有外在变量干扰的情况下,确定Xi与Xj的之间边的方向为:Xi→Xj;
其中Xi→Xk表示节点Vi和节点Vk之间的无向边方向为由Vi指向Vk,并记该有向边为Eik;反复应用因果发现规则,直至所有存在的无向边都通过了条件独立性检验并且标记了确定的或可能的方向;
对于经过上述步骤仍然不能确定方向的变量间的边,保持不变;
S1025将各子图Gi进行组合,形成全局贝叶斯因果网络G,删除G的顶层节点中与中间层节点没有有向边连接的节点;对任意两个由有向边连接的节点进行相关性检验,如果是正相关,则在箭头侧标记“+”,反之,则标记为“-”。
5.如权利要求4所述的基于贝叶斯因果网络的评价指标均衡态分析方法,其特征在于,所述步骤S103中,基于生成的因果网络结构,对系统进行系统动力学建模的步骤如下:
S1031:在所述全局贝叶斯因果网络结构的基础上,从EnList中任意选取一个变量当作起点,分析它的变化对其他变量的影响,由此一步步地扩展,画出因果链或因果回路,直到将全局贝叶斯因果网络结构中的所有的变量都包含到因果关系图中;因果关系图中引入除EnList、ExList、OuList中的变量外的其他变量到因果关系图中;
S1032:确定系统边界,在所述因果关系图中,ExList中包括的变量为外生变量,EnList中包括的变量为内生变量,OuList中包括的变量为输出变量;区分所述因果关系图回路中的状态变量、速率变量和常量;在因果关系图的基础上,使用相应的流图符号描述和连接系统的各个变量,生成系统动力学流图模型;
S1033:在系统动力学流图模型基础上,构造系统动力学方程,所述系统动力学方程包括水平方程、速率方程和辅助方程;给定系统中各常量的值和系统初始条件,仿真计算得到稳态下各变量的均衡态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710657496.3A CN107563596A (zh) | 2017-08-03 | 2017-08-03 | 一种基于贝叶斯因果网络的评价指标均衡态分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710657496.3A CN107563596A (zh) | 2017-08-03 | 2017-08-03 | 一种基于贝叶斯因果网络的评价指标均衡态分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563596A true CN107563596A (zh) | 2018-01-09 |
Family
ID=60975122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710657496.3A Pending CN107563596A (zh) | 2017-08-03 | 2017-08-03 | 一种基于贝叶斯因果网络的评价指标均衡态分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563596A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108876210A (zh) * | 2018-08-08 | 2018-11-23 | 广东省生态环境技术研究所 | 一种土地系统变化因果结构的识别方法、系统和装置 |
CN109191846A (zh) * | 2018-10-12 | 2019-01-11 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN109523032A (zh) * | 2018-12-04 | 2019-03-26 | 中国人民解放军国防科技大学 | 基于独立性分析与测试的设备参数监测证据网络构建方法 |
CN109800881A (zh) * | 2019-01-15 | 2019-05-24 | 合肥工业大学 | 一种基于贝叶斯网络的因果关系判定方法 |
CN110390396A (zh) * | 2018-04-16 | 2019-10-29 | 日本电气株式会社 | 用于估计观测变量之间的因果关系的方法、装置和系统 |
CN110555047A (zh) * | 2018-03-29 | 2019-12-10 | 日本电气株式会社 | 数据处理方法和电子设备 |
CN111985677A (zh) * | 2020-06-30 | 2020-11-24 | 联想(北京)有限公司 | 一种因果链路分析方法、设备及计算机可读存储介质 |
CN112102156A (zh) * | 2020-09-09 | 2020-12-18 | 重庆大学 | 基于因果流模型的可控汽车图像合成方法 |
CN112802547A (zh) * | 2021-01-28 | 2021-05-14 | 复旦大学 | 基因检测方法与系统 |
CN117313872A (zh) * | 2023-09-28 | 2023-12-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于词频统计的土石坝溃坝风险贝叶斯模型分析方法 |
-
2017
- 2017-08-03 CN CN201710657496.3A patent/CN107563596A/zh active Pending
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110555047B (zh) * | 2018-03-29 | 2024-03-15 | 日本电气株式会社 | 数据处理方法和电子设备 |
CN110555047A (zh) * | 2018-03-29 | 2019-12-10 | 日本电气株式会社 | 数据处理方法和电子设备 |
CN110390396A (zh) * | 2018-04-16 | 2019-10-29 | 日本电气株式会社 | 用于估计观测变量之间的因果关系的方法、装置和系统 |
CN110390396B (zh) * | 2018-04-16 | 2024-03-19 | 日本电气株式会社 | 用于估计观测变量之间的因果关系的方法、装置和系统 |
CN108876210A (zh) * | 2018-08-08 | 2018-11-23 | 广东省生态环境技术研究所 | 一种土地系统变化因果结构的识别方法、系统和装置 |
CN109191846A (zh) * | 2018-10-12 | 2019-01-11 | 国网浙江省电力有限公司温州供电公司 | 一种交通出行流量预测方法 |
CN109523032A (zh) * | 2018-12-04 | 2019-03-26 | 中国人民解放军国防科技大学 | 基于独立性分析与测试的设备参数监测证据网络构建方法 |
CN109523032B (zh) * | 2018-12-04 | 2021-09-17 | 中国人民解放军国防科技大学 | 基于独立性分析与测试的设备参数监测证据网络构建方法 |
CN109800881A (zh) * | 2019-01-15 | 2019-05-24 | 合肥工业大学 | 一种基于贝叶斯网络的因果关系判定方法 |
CN109800881B (zh) * | 2019-01-15 | 2021-11-23 | 合肥工业大学 | 一种基于贝叶斯网络的因果关系判定方法 |
CN111985677A (zh) * | 2020-06-30 | 2020-11-24 | 联想(北京)有限公司 | 一种因果链路分析方法、设备及计算机可读存储介质 |
CN112102156A (zh) * | 2020-09-09 | 2020-12-18 | 重庆大学 | 基于因果流模型的可控汽车图像合成方法 |
CN112102156B (zh) * | 2020-09-09 | 2023-06-09 | 重庆大学 | 基于因果流模型的可控汽车图像合成方法 |
CN112802547A (zh) * | 2021-01-28 | 2021-05-14 | 复旦大学 | 基因检测方法与系统 |
CN117313872A (zh) * | 2023-09-28 | 2023-12-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于词频统计的土石坝溃坝风险贝叶斯模型分析方法 |
CN117313872B (zh) * | 2023-09-28 | 2024-05-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于词频统计的土石坝溃坝风险贝叶斯模型分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563596A (zh) | 一种基于贝叶斯因果网络的评价指标均衡态分析方法 | |
Casalicchio et al. | Visualizing the feature importance for black box models | |
Huang et al. | Learning to select cuts for efficient mixed-integer programming | |
CN101093559B (zh) | 一种基于知识发现的专家系统构造方法 | |
CN100440092C (zh) | 生产管理系统 | |
CN108900546A (zh) | 基于lstm的时间序列网络异常检测的方法与装置 | |
CN106600065B (zh) | 基于有向超图的个性化学习路径的抽取与拼接方法及系统 | |
Lagerström et al. | Visualizing and measuring enterprise application architecture: an exploratory telecom case | |
CN101694652A (zh) | 一种基于极速神经网络的网络资源个性化推荐方法 | |
CN104834479A (zh) | 面向云平台的自动优化存储系统配置的方法及系统 | |
CN108960434A (zh) | 基于机器学习模型解释来分析数据的方法及装置 | |
Bala et al. | Systems thinking: system dynamics | |
CN101419209A (zh) | 卷烟感官评吸和烟气指标的免疫神经网络预测方法 | |
CN108090788A (zh) | 基于时间信息集成模型的广告转化率预估方法 | |
CN101620619A (zh) | 一种基于聚类方法的测量数据粗大误差处理系统及处理方法 | |
CN103678436A (zh) | 信息处理系统和信息处理方法 | |
CN106997488A (zh) | 一种结合马尔科夫决策过程的动作知识提取方法 | |
CN108319705A (zh) | 一种基于教学资源的个性化教学过程自动生成方法及系统 | |
CN104615544A (zh) | 面向问题的gui软件关联功能分析方法及装置 | |
CN103544299B (zh) | 一种商业智能云计算系统的构建方法 | |
CN107491508A (zh) | 一种基于循环神经网络的数据库查询时间预测方法 | |
CN105608249A (zh) | 精益产品建模的系统和方法 | |
Chen et al. | Inferring network structure with unobservable nodes from time series data | |
Ramachandran et al. | Integration of machine learning algorithms for E-Learning System course recommendation based on Data Science | |
US7778807B2 (en) | Simulation model generator of causality phenomena and events |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |
|
RJ01 | Rejection of invention patent application after publication |