DoFlow: Flow-based Generative Models for Interventional and Counterfactual Forecasting on Time Series

Each language version is independently generated for its own context, not a direct translation.

Stellen Sie sich vor, Sie sind ein Wettervorhersage-Experte. Normalerweise schauen Sie auf den Himmel, sehen die Wolken und sagen: „Morgen wird es wahrscheinlich regnen." Das ist eine beobachtende Vorhersage. Sie lernen aus der Vergangenheit, was als Nächstes passiert, wenn sich nichts ändert.

Aber was, wenn Sie nicht nur wissen wollen, was passiert, sondern was geschehen würde, wenn Sie etwas verändern?

„Was wäre, wenn wir die Turbinen in einem Wasserkraftwerk jetzt stärker drehen?" (Das ist eine Interventions-Frage).
„Was wäre, wenn wir diesem Patienten gestern eine andere Dosis des Medikaments gegeben hätten? Hätte er sich dann besser erholt?" (Das ist eine Gegenfaktische Frage – also: „Was wäre, wenn die Geschichte anders verlaufen wäre?").

Bisher konnten die meisten Computer-Modelle nur das erste Szenario (die normale Vorhersage) gut lösen. Sie waren wie ein passiver Beobachter. Das neue Modell aus diesem Papier, genannt DoFlow, ist wie ein simulierter Zeitmaschinen-Orakel.

Hier ist die Erklärung in einfachen Worten:

1. Das Problem: Der „Was-wäre-wenn"-Mangel

Stellen Sie sich ein komplexes System wie ein Wasserkraftwerk oder den menschlichen Körper vor. Alles hängt miteinander zusammen. Wenn Sie einen Hebel umlegen (z. B. den Wasserfluss ändern), ändern sich viele andere Dinge (Stromerzeugung, Vibrationen, Temperatur).

Bisherige Modelle sagten nur: „Wenn der Wasserfluss so bleibt, wird der Strom so sein." Sie konnten aber nicht sagen: „Wenn wir den Wasserfluss jetzt auf 50% drosseln, wie sieht das dann in einer Stunde aus?" Und noch schwieriger: Sie konnten nicht zurückrechnen: „Wenn wir den Hebel gestern anders gestellt hätten, wie sähe der Strom heute aus?"

2. Die Lösung: DoFlow (Der „Kausal-Flow")

Die Forscher haben ein neues Modell entwickelt, das auf zwei genialen Ideen basiert:

Die Landkarte (Der DAG): Das Modell kennt die „Landkarte" des Systems. Es weiß genau, welche Teile von welchen abhängen (z. B. Turbine → Generator → Stromnetz). Es ist wie ein Ingenieur, der die Baupläne kennt, statt nur auf die Zahlen zu starren.
Der Fluss (Continuous Normalizing Flow): Das ist die Magie. Stellen Sie sich vor, das Modell kann jeden Zustand (z. B. den aktuellen Stromwert) in einen unsichtbaren „Code" (eine Art DNA des Zustands) verwandeln und ihn wieder zurückverwandeln.
- Normaler Modus: Es schaut auf die Vergangenheit, kodiert sie und rechnet die Zukunft aus.
- Interventions-Modus: Sie sagen: „Ändere den Wert bei Turbine X auf 50!" Das Modell nimmt diesen neuen Wert, nutzt die Landkarte, um zu sehen, wie sich das durch das System ausbreitet, und berechnet die neue Zukunft.
- Gegenfaktischer Modus (Die Zeitreise): Das ist das Coolste. Das Modell nimmt eine echte Vergangenheit (z. B. einen Patienten, der gestorben ist), „entschlüsselt" die versteckten Gründe (die „DNA" des Zustands), ändert dann die Handlung (z. B. „Gib ihm mehr Medizin") und rechnet die neue, alternative Zukunft nach. Es sagt: „Wenn wir das getan hätten, wäre er heute gesund."

3. Ein einfaches Analogie-Beispiel: Das Auto

Stellen Sie sich vor, Sie fahren ein Auto.

Beobachtung: Das Auto fährt 100 km/h. Der Motor ist warm. Das Modell sagt: „Wenn Sie so weiterfahren, bleibt der Motor warm."
Intervention: Sie sagen: „Drücken Sie jetzt die Bremse!" Das Modell sagt: „Okay, wenn Sie bremsen, wird der Motor kühler und Sie kommen langsamer an."
Gegenfaktisch: Sie waren gestern im Stau und haben den Motor überhitzt (Fakt). Sie fragen: „Was wäre, wenn ich gestern nicht im Stau gestanden hätte?" Das Modell nimmt den aktuellen Zustand des Motors, entfernt den „Stau-Effekt" aus der Berechnung und sagt: „Wenn Sie gestern nicht im Stau wären, wäre der Motor heute kühl und Sie wären pünktlich."

4. Warum ist das wichtig?

Dieses Modell ist nicht nur für Wissenschaftler interessant. Es hilft in echten Lebenssituationen:

Energie: Es kann vorhersagen, was passiert, wenn ein Wasserkraftwerk ausfällt oder wenn wir die Steuerung ändern, bevor es zu einem echten Blackout kommt.
Medizin: Es kann Ärzten helfen zu verstehen, welche Behandlung für einen bestimmten Patienten am besten gewesen wäre, auch wenn sie diese Behandlung nicht gewählt haben.
Sicherheit: Es kann Anomalien (Fehler) erkennen, bevor sie passieren, indem es prüft, ob das aktuelle Verhalten noch „normal" ist oder ob etwas Schlimmes im Anmarsch ist.

Zusammenfassung

DoFlow ist wie ein simulierter Zeitmaschinen-Experte. Es versteht nicht nur, was passiert, sondern auch, warum es passiert. Es kann die Vergangenheit analysieren, die Zukunft vorhersagen und – das ist das Besondere – verschiedene Versionen der Realität durchspielen, um zu sehen, welche Entscheidungen die besten Ergebnisse liefern würden. Es verbindet die Kunst der Vorhersage mit der Logik der Ursache und Wirkung.

Each language version is independently generated for its own context, not a direct translation.

1. Problemstellung

Die Zeitreihenvorhersage in multivariaten Systemen konzentriert sich traditionell auf beobachtende (observational) Vorhersagen. Modelle lernen Korrelationen aus historischen Daten und extrapolieren diese in die Zukunft. Dies reicht jedoch für viele reale Anwendungen nicht aus, in denen kausale Fragen gestellt werden müssen:

Interventionsfragen: „Wie verändert sich die Systementwicklung, wenn wir bestimmte Kontrollvariablen aktiv ändern?" (z. B. Änderung von Turbinen-Steuersignalen in einem Wasserkraftwerk).
Kontrafaktische Fragen: „Wie wäre der Verlauf gewesen, wenn wir in der Vergangenheit anders interveniert hätten?" (z. B. Wie hätte sich der Gesundheitszustand eines Patienten entwickelt, wenn er eine andere Dosierung erhalten hätte?).

Bestehende moderne Vorhersagemodelle (wie Transformer oder RNNs) sind rein beobachtend und können keine konsistenten interventionalen oder kontrafaktischen Trajektorien generieren. Zudem fehlt es an einem allgemeinen Framework für kontrafaktische Zeitreihenvorhersage, das die zugrunde liegende kausale Struktur (DAG) explizit nutzt.

2. Methodik: DoFlow

Das Paper stellt DoFlow vor, ein generatives Modell, das auf Continuous Normalizing Flows (CNFs) basiert und explizit in eine kausale Directed Acyclic Graph (DAG)-Struktur eingebettet ist.

Kernkomponenten:

Strukturelles Kausales Modell (SCM): Das System wird als SCM definiert, bei dem der Wert eines Knotens $X_{i,t}$ von seiner eigenen Vergangenheit, der Vergangenheit seiner Elternknoten im DAG und einem exogenen Rauschen $U_{i,t}$ abhängt.
Zeitbedingte CNFs: Für jeden Knoten im DAG wird ein separates CNF gelernt.
- Kodierung (Forward Process): Ein RNN (LSTM/GRU) fasst die historischen Daten des Knotens und seiner Eltern zu einem versteckten Zustand $H_{i,t-1}$ zusammen. Ein CNF kodiert dann die beobachtete Faktizität $x_{i,t}$ in einen latenten Raum $z_{i,t}$ (basierend auf einer Standardnormalverteilung), wobei die Bedingung $H_{i,t-1}$ genutzt wird.
- Dekodierung (Reverse Process): Um Vorhersagen zu treffen, wird der latente Raum zurück in den Datenraum transformiert. Dies ermöglicht die Generierung neuer Trajektorien.
Training: Das Modell wird mit Conditional Flow Matching (CFM) trainiert. Dabei wird ein neuronales ODE (Ordinary Differential Equation) verwendet, um die Geschwindigkeitsfelder so zu lernen, dass sie analytisch definierte Referenzpfade zwischen Daten und Rauschen approximieren.

Vorhersage-Modi:

Beobachtende Vorhersage: Standardvorhersage durch Dekodierung von neuem Rauschen $z \sim N(0,1)$ , bedingt auf den aktuellen Zustand.
Interventionelle Vorhersage: Wenn eine Intervention $do(X_{i,t} = \gamma)$ geplant ist, wird der Wert des Knotens auf $\gamma$ gesetzt. Die Vorhersage für nachfolgende Knoten erfolgt durch Dekodierung unter Berücksichtigung dieser festen Intervention und der propagierten Änderungen im DAG.
Kontrafaktische Vorhersage (Abduction-Action-Prediction):
- Abduction: Die beobachtete faktische Trajektorie wird kodiert, um die zugrunde liegenden exogenen Rauschvariablen $U$ (latent repräsentiert als $z^F$ ) zu inferieren.
- Action: Die gewünschte Intervention wird angewendet.
- Prediction: Unter Verwendung der inferierten latenten Variablen $z^F$ (die die spezifischen, nicht beobachteten Patient/System-Faktoren kodieren) und der neuen Interventionsbedingungen wird die kontrafaktische Trajektorie dekodiert.

Theoretische Grundlage:

Das Paper liefert eine Theorie zur kontrafaktischen Wiederherstellung (Counterfactual Recovery). Unter Annahmen wie der Unabhängigkeit des exogenen Rauschens und der strikten Monotonie der strukturellen Gleichungen wird bewiesen, dass DoFlow die wahre kontrafaktische Trajektorie fast sicher wiederherstellen kann, da die Kodierung eine bijektive Abbildung des Rauschens darstellt, die unabhängig von den Elternzuständen ist.

3. Wichtige Beiträge

Einheitliches Framework: DoFlow ist das erste Framework, das beobachtende, interventionalle und kontrafaktische Vorhersagen in einem einzigen generativen Modell für Zeitreihen vereint.
Explizite Kausalität: Durch die Einbettung der DAG-Struktur in den CNF-Mechanismus werden kausale Abhängigkeiten über die Zeit explizit modelliert, was bei rein korrelativen Modellen fehlt.
Anomalie-Erkennung: Da CNFs eine explizite Likelihood-Funktion (Log-Dichte) für zukünftige Trajektorien liefern, kann DoFlow Anomalien (z. B. Ausfälle) detektieren, indem es niedrige Wahrscheinlichkeiten für abweichende Muster berechnet.
Theoretische Garantien: Es werden mathematische Beweise für die korrekte Wiederherstellung kontrafaktischer Szenarien unter bestimmten SCM-Annahmen geliefert.

4. Ergebnisse

Die Evaluation erfolgte auf synthetischen Daten (verschiedene DAG-Strukturen wie Tree, Diamond, Chain) und realen Datensätzen (Wasserkraftwerke und Krebsbehandlungen).

Synthetische Daten: DoFlow übertrifft etablierte Baselines (GRU, TFT, TiDE, DeepVAR, MQF2) in allen Szenarien (beobachtend, interventional, kontrafaktisch) signifikant, gemessen an RMSE, MMD und CRPS. Besonders bei kontrafaktischen Aufgaben, wo andere Modelle versagen (da sie keine kontrafaktischen Trajektorien generieren können), zeigt DoFlow überlegene Leistung.
Wasserkraftwerk (Hydropower):
- Das Modell konnte interventionalle Vorhersagen bei simulierten Turbinenausfällen präzise treffen.
- Anomalie-Erkennung: DoFlow konnte reale Stromausfälle im Wasserkraftwerk vorhersagen, indem es einen signifikanten Abfall der Log-Likelihood (Anomalie-Score) ca. 10–20 Minuten vor dem tatsächlichen Ausfall detektierte.
Krebsbehandlung: Bei der Schätzung von Behandlungseffekten (Tumorvolumen unter verschiedenen Dosierungsplänen) erzielte DoFlow niedrigere Normalized RMSE-Werte als spezialisierte kausale Baselines wie CRN, RMSN und MSM.

5. Bedeutung und Ausblick

DoFlow stellt einen wichtigen Schritt hin zu vertrauenswürdigen KI-Systemen für komplexe dynamische Umgebungen dar.

Entscheidungsunterstützung: Es ermöglicht „Was-wäre-wenn"-Analysen in kritischen Bereichen wie Energieversorgung und Medizin, wo reine Vorhersagen nicht ausreichen.
Brücke zwischen Kausalität und Generativen Modellen: Die Arbeit verbindet die Stärken von kausaler Inferenz (DAGs, do-Calculus) mit der Flexibilität und Ausdruckskraft moderner generativer Modelle (CNFs, Neural ODEs).
Zukunft: Ein Limit ist die Annahme eines bekannten und korrekten DAGs. Zukünftige Arbeiten könnten DoFlow mit Methoden zur kausalen Entdeckung (Causal Discovery) kombinieren, um auch bei unbekannten Strukturen robust zu sein.

Zusammenfassend bietet DoFlow einen robusten, theoretisch fundierten Ansatz, um nicht nur zu sagen, was passieren wird, sondern auch, was passieren würde, wenn wir das System aktiv verändern oder die Vergangenheit anders gestalten würden.