森林加权的高维多模态时间序列非线性因果推断

复杂非线性动力系统中的预测与因果推断由于受到噪声干扰且时间序列数据具有高维性，从根本上而言极具挑战性。尽管经验动态建模通过在欧氏空间中重构状态空间来应对这一问题，但其受到“维数灾难”的制约：随着维度增加，距离测量会发生失真。本研究提出森林加权 S-map（Forest-Weighted S-map，FORWS）和森林加权因果推断（Forest-Weighted Causal Inference，FORWC）方法，利用由随机森林集成模型导出的自适应“森林权重”，取代欧氏度量。通过模拟生态数据集和实证生态数据集，我证明了与传统工具相比，这些方法具有相当或更优的预测能力，同时对动态过程噪声表现出显著更强的鲁棒性，并能够缓解维数灾难。值得注意的是，FORWC 实现了多模态因果推断，成功提取了在蜜蜂蜂箱中监测到的高维声学向量与标量温度数据之间的有向交互关系。通过衔接混沌物理学与机器学习，该框架能够准确提取内在流形拓扑结构，为揭示复杂现实环境中的因果网络提供了一种稳健范式。

复杂非线性动力系统中的预测与因果推断，由于时间序列数据具有噪声大、维度高等特征，从根本上说极具挑战性。尽管经验动态建模通过在欧氏空间中重构状态空间来应对这一问题，但其会遭受“维数灾难”的影响：随着维度增加，距离度量会发生失真。本研究提出森林加权 S-map（Forest-Weighted S-map，FORWS）和森林加权因果推断（Forest-Weighted Causal Inference，FORWC）方法，利用由随机森林集成模型导出的自适应“森林权重”，替代欧氏度量。通过对模拟生态数据集和实证生态数据集的分析，我证明，与传统工具相比，这些方法表现出相当或更优的预测能力，同时对动态过程噪声具有显著更强的稳健性，并能够缓解维数灾难。值得注意的是，FORWC 实现了多模态因果推断，成功提取了在蜂箱中监测到的高维声学向量与标量温度数据之间的有向相互作用。通过将混沌物理学与机器学习相结合，该框架能够准确提取内在流形拓扑结构，为揭示复杂现实环境中的因果网络提供了一种稳健范式。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.24.754251v1?rss=1

🏷️ 非线性因果推断 高维时间序列 多模态数据分析 随机森林 经验动态建模 生态系统建模