pg-Causality：基于城市大数据识别空气污染物的时空因果路径
人工智能
2018-04-19 v3
摘要
许多国家正遭受严重的空气污染。理解不同空气污染物如何累积和传播对于制定相关公共政策至关重要。本文利用城市大数据（空气质量数据与气象数据）识别空气污染物的时空（ST）因果路径。该问题具有挑战性，因为：(1) 原始空气质量数据中存在大量噪声和低污染时段，可能导致不可靠的因果分析；(2) 对于ST空间中的大规模数据，构建因果结构计算复杂度极高；(3) 由于多种污染物的相互作用和环境因素的影响，时空因果路径十分复杂。因此，我们提出 p-Causality，一种结合模式挖掘与贝叶斯学习优势、高效且忠实地识别时空因果路径的新型模式辅助因果分析方法。首先，模式挖掘通过捕获每个监测传感器的频繁演化模式（FEPs）来抑制噪声，并通过选择模式匹配的传感器作为“因果源”大幅降低复杂度。然后，贝叶斯学习利用基于高斯贝叶斯网络（GBN）的图形模型仔细编码局部与ST因果关系，并整合环境影响以最小化最终结果中的偏差。我们使用包含982个空气质量传感器的三个真实数据集（来自中国三个地区，时间从2013年6月1日至2015年12月19日）评估该方法。结果表明，我们的方法在时间效率、推理准确性和可解释性上优于传统因果结构学习方法。
引用
@article{arxiv.1610.07045,
title = {pg-Causality: Identifying Spatiotemporal Causal Pathways for Air Pollutants with Urban Big Data},
author = {Julie Yixuan Zhu and Chao Zhang and Huichu Zhang and Shi Zhi and Victor O. K. Li and Jiawei Han and Yu Zheng},
journal= {arXiv preprint arXiv:1610.07045},
year = {2018}
}