管理科学与工程系教师高湘昀教授团队在顶刊《Physics Reports》发表高水平综述论文

发布时间：2026-08-31     作者：[经济管理学院]    阅读：0次

近日，经济管理学院管理科学与工程高湘昀教授与合作者撰写的综述论文《Reconstruction of interpretable causal network dynamics from time series data》（基于时间序列数据的可解释因果网络动力学重构），在线发表于物理科学和交叉科学类顶级综述期刊《Physics Reports》（2025年IF=27.5，五年IF=31.0）。高湘昀教授为论文第一作者，中国地质大学（北京）经济管理学院为第一作者单位。

如何从时间序列数据中重构隐藏的因果结构并揭示其动力学规律，是理解复杂系统形成、演化与突变机制的重要基础，也是复杂系统科学中的核心问题之一。文章指出，复杂系统研究中的关键问题并不止于判断变量之间是否存在因果关系，更在于因果关系能否被解释。可解释的因果关系能够形成可检验的机制假设，并为跨情景预测、系统干预和控制决策提供依据。但在真实系统中，噪声、缺失数据、高维性、非线性、时间延迟、异质性和部分可观测等问题，都会影响因果推断的可靠性。经典方法能够输出因果图、模型系数和动力学方程等可检查结果，而人工智能扩展方法则需要在增强复杂数据表征能力的同时，避免停留在缺乏机制解释的预测关联上。

围绕这一问题，文章系统梳理了Granger因果、信息论、非线性状态空间和动力学方程发现四类经典方法及其人工智能扩展，同时讨论了统计关联和图模型等相关方法。论文从研究动机、核心原理、可解释性的来源和有效推断所需的基本假设等方面展开比较，形成了从因果方向、网络拓扑和相互作用强度识别，到时间延迟估计和动力学机制恢复的系统性方法框架。

可解释因果网络动力学重构的方法体系

文章进一步梳理了相关方法在气候、神经科学、流行病学、经济金融、社会科学、生态学和分子生物学等领域的应用。在气候系统中，可解释因果方法能够识别遥相关结构和多尺度作用路径；在神经科学中，可用于区分不同脑区之间的驱动与响应关系；在流行病研究中，可用于追踪区域传播路径并评估外部干预效应；在经济金融系统中，可揭示风险传播与系统性关联；在生态和分子生物学中，则可用于恢复物种相互作用和基因调控网络等。

代表性因果网络动力学重构方法的发展历程及其应用领域

文章认为，经典方法具有清晰的数学基础和较强的机制解释能力，人工智能驱动方法则更擅长处理高维、非线性和复杂数据。两类方法的融合正在推动因果研究进入兼具神经网络灵活性与经典方法机制可解释性的“灰箱”阶段。与此同时，该领域仍面临低质量时间序列、统一基准数据不足、高阶因果关系识别、领域特定解释以及不确定性量化等挑战。

面向未来，文章提出推动经典因果推断与人工智能建模深度融合，利用数字孪生开展虚拟干预实验，发展具有不确定性感知能力的因果推断框架，并建立更加透明、可信和可重复评价的方法体系。上述方向有望推动复杂系统研究从识别统计关联进一步走向揭示作用机制，并为气候风险、金融市场、公共健康和生态治理等复杂问题提供更加可靠的定量决策支持。

论文第一作者为中国地质大学（北京）高湘昀教授，通讯作者为北京大学孙笑甜博士、成都理工大学伍涛研究员和德国波茨坦气候影响研究所Jürgen Kurths教授。论文合作作者还包括复旦大学冷思阳教授、德国波茨坦气候影响研究所Norbert Marwan教授、河北地质大学安素芳博士、北京化工大学安峰副教授，以及中国地质大学（北京）博士研究生魏红玉和张雨鹏。研究得到国家自然科学基金、深地国家科技重大专项、北京市社会科学基金、国家社会科学基金重大项目、DAAD PPP等项目资助，也是矿产资源安全治理教育部哲学社会科学实验室的系列成果之一。

文章信息如下：

Gao, X., Sun, X., Wu, T., An, S., An, F., Leng, S., Wei, H., Zhang, Y., Marwan, N., & Kurths, J. (2027). Reconstruction of interpretable causal network dynamics from time series data. Physics Reports, 1203, 1–71.

全文链接：

https://doi.org/10.1016/j.physrep.2026.07.004