1.一种多维时间序列的定量因果关系判定方法，其特征是：能够定量地估算出多维时间序列间的因果关系的大小与方向，具体实施方案如下：步骤1，采集m条时间序列，每条序列对应一个事件，m条时间序列分别为X1,X2,…,Xm；

步骤2，对每条时间序列进行预处理，得到具有相同时间间隔的多条时间序列；

步骤3，当步骤2中的某些时间序列不平稳时，需对这些序列进行进一步处理，使之变得近似平稳；当步骤2中的时间序列平稳时，进行步骤4；

步骤4，计算各个时间序列之间定量、定向的因果关系；具体计算方法如下：给定m条平稳、等距的时间序列X1,X2,…,Xm，记由Xj到Xi，i,j＝1,2,..,m,i≠j的信息流为Tj→i，则Xj和Xi之间的因果关系可由根据Tj→i与Ti→j来进行判断，Tj→i可由下式估算：其中， 为信息流Tj→i的最大似然估计值； 为m条时间序列X1,X2,…,Xm的协方差矩阵；detC为C的行列式；△jk为Cjk的代数余子式；Ck,di为Xk与一条导出序列 之间的协方差，导出序列的定义为：△t为该序列的时间间距；

当 显著地不为零时，则Xj是Xi的因， 就是因果关系的大小；

步骤5，对步骤4中的计算得到的各两两时间序列之间的因果关系数据进行整合，得到完整的因果关系网络图；

通过获取多地区PM2.5浓度监测站的某个时间段内的大气中的PM2.5浓度数据，形成相应的时间序列，通过计算得出多地点之间的雾霾因果网络图，进而找到一个或多个主源头。

2.根据权利要求1所述的一种多维时间序列的定量因果关系判定方法，其特征在于：在步骤3中得到的数据平稳的时间序列中选取时间点tn，以时间点tn为中心取时间窗口[tn‑L/

2,tn+L/2]，在时间长度为L的时间窗口条件下执行步骤4和步骤5，得到时间点tn处的因果关系网络图；

按照时间序列中的时间顺序顺次取不同位置的时间点，重复执行步骤4和步骤5,得到随时间变化的因果关系网络图。

3.根据权利要求1或2所述的一种多维时间序列的定量因果关系判定方法，其特征在于：所述的步骤4中所得的 必须做显著性检验，用以判定它是否显著地异于零、抑或不显著地异于零，当显著性检验结果显著地异于零时，则证明两事件之间有因果关系，当显著性检验结果不显著地异于零时，则证明两事件之间的因果关系不显著；所述的显著性检验的具体流程如下：将Xi和Xj排列至第一、二的位置， 转换为 在推导步骤4的公式的过程中，我们用到了下述线性模型：其中，X＝(X1,X2,...,Xm)是状态矢量，在这里即表现为m条时间序列， 是白噪声，(f1,b1,a11,a12,...,a1m)是待估计的参数，可以证明，这些参数的最大似然估计为：其中 是序列Xk的算术平均值； 是序列 的算术平均值；

N为序列长总时间步数，根据中心极限定理，

近似服从一个正态分布，这里只需用到 记其方差为

它与Fisher信息矩阵I有关，而Fisher信息矩阵I的计算如下：记n时间点的状态矢量X＝(X1,X2,...,Xm)为X(n)，n＝1,2,...,N,假设已知X(n)＝(X1,n,X2,n,...,Xm,n)的情况下，下一步的状态矢量X(n+1)＝(X1,n+1,X2,n+1,...,Xm,n+1)的概率密度，即转移概率密度为ρ，则Fisher信息矩阵乘上时间总步数N为可以证明上式为：

此矩阵中a1j,f1,b1用其估计值 代替；

对所得的矩阵NI求逆，则所得逆阵的第四个对角分量 即方差 的估计值；

的方差则为：

给定置信水平α，查标准正态分布表得置信区间系数zα,进一步求得 的标准差为换言之，对于置信水平α，X2至X1的真实因果性的置信区间为：当该置信区间不包括零在内，则X2是X1的因；反之则因果性不显著；对于任意序列Xi与Xj之间的因果关系的显著性检验，则只需把Xi与Xj放置到第一、二的位置，重复以上步骤即可。

4.根据权利要求3所述的一种多维时间序列的定量因果关系判定方法，其特征在于：当置信水平设置为90％时，置信区间系数zα＝1.65，此时置信区间为：当置信水平设置为95％时，置信区间系数zα＝1.96，此时置信区间为：当置信水平设置为99％时，置信区间系数zα＝2.56，此时置信区间为：

5.根据权利要求3所述的一种多维时间序列的定量因果关系判定方法，其特征在于：当Xi和Xj之间的因果关系不显著时，不能简单断定它们之间不存在因果关系，在资料、数据允许的情况下，应扩大数据样本，重复执行步骤1到步骤4。