Code for the paper "Temporal Causal-based Simulation for Realistic Time-series Generation", Gkorgkolis et al., 2025.
-
Problem: Existing works on generating time-series data together with their causal graphs often operate under overly simplistic or closed-world simulation assumptions. More critically, the quality of generated data is commonly assessed using a single, fixed, and unoptimized discrepancy measure, such as a particular instantiation of a Classifier Two-Sample Test (C2ST) or kernel-based metric (e.g., MMD). The arbitrary selection of a discriminator and its hyperparameters can severely bias evaluation outcomes and fail to reflect fidelity of data quality.
-
Contributions:
- Demonstrate that relying on unoptimized metrics and classifier two-sample tests (C2ST) for data quality assessment leads to unreliable conclusions on data quality (see Figure 1).
- Introduce Temporal Causal-based Simulation (TCS), a modular, model-agnostic generative pipeline for learning temporal structural causal models and simulating realistic time-series data together with their time-lagged causal graphs. In contrast to previous works, TCS directly learns causal models from real data samples, allowing generation of not only observational data but also interventions, counterfactual reasoning and modeling of causal digital twins from data as well.
- Propose a Min-max AutoML scheme that selects the best simulation configuration using optimized C2STs (discriminators), by minimizing over configurations
$c \in C$ and maximizing over discriminators$d \in D$ (illustrated in the main figure). This step serves as a causal model tuning phase, which we call Adversarial Causal Tuning - ACT. - Design TCS as an extensible software framework, enabling easy integration of additional causal discovery algorithms, functional dependence estimators, and noise distribution models.
- Show that our method achieves comparable or superior generation across a diverse set of real, semi-synthetic, and synthetic time-series datasets under optimized discriminator selection.
Note: TCS does not depend on ACT to function as a generative causal model simulator: Any TSCM produced by the pipeline can already be used to generate data and perform causal inference. ACT is introduced solely as a tuning echanism for selecting among multiple candidate causal models.
Create a virtual conda environment using
conda env create -f environment.yamlconda activate TCS
Alternatively, you can just install the dependencies from the requirements.txt file, either on your base environment or into an existing conda environment using
pip install -r requirements.txt
Notebooks for reproducible experiments and demo scripts (running_examples.ipynb) are available in the code/notebooks/ folder. Experimental results are available in code/data/results/.
We provide various .ipynb notebooks not only for reproducing the experimental results of the paper but also for getting started with our codebase. Specifically:
exp_0_increasing_density.ipynbcontains experiments on the impact of using the sparsity penalty in the simulation on synthetic data against the number of edgesex_1_dense_output.ipynbcontains an experiment on using a dense graph as input to the TCS algorithm from the 1st phase of TCS. It also contains our experimental results on using the ground truth graph (oracle graph) with the sparsity penalty (see Figures 3a and 3b of our paper)exp_2_oracle_graph.ipynbillustrates the behavior of TCS given the oracle graph as the 1st phase's outputexp_3_vs_baselines.ipynbcontains baseline comparisons between TCS, CausalTime and non-causal simulators (CPAR, TVAE) (Table 3 of our paper)exp_4_cd_efficacy.ipynbcorresponds to our CD Efficacy experiments (Table 2 of our paper)exp_5_random_output.ipynbobserves the behavior of TCS when choosing a random configuration from the TSCM space. This serves as a baseline method.running_examples.ipynbrepresents two running examples of the TCS codebase: (i) one running a single TCS simulation with a configuration of PCMCI Causal Discovery algorithm, gradient boosting predictor and spline noise estimators and (ii) an optimized TCS simulation with our proposed Min-max selection scheme.
├── code
│ ├── CausalTime
│ │ ├── dataloader.py
│ │ ├── demo.py
│ │ ├── generate.py
│ │ ├── __init__.py
│ │ ├── models.py
│ │ ├── test.py
│ │ ├── tools.py
│ │ ├── train.py
│ │ ├── utilities.py
│ │ └── visualization.py
│ ├── cd_methods
│ │ ├── CausalPretraining
│ │ │ ├── helpers
│ │ │ │ ├── __init__.py
│ │ │ │ └── tools.py
│ │ │ ├── __init__.py
│ │ │ └── model
│ │ │ ├── conv.py
│ │ │ ├── gru.py
│ │ │ ├── informer.py
│ │ │ ├── __init__.py
│ │ │ ├── mlp.py
│ │ │ └── model_wrapper.py
│ │ ├── DynoTears
│ │ │ ├── causalnex
│ │ │ │ ├── __init__.py
│ │ │ │ ├── README.md
│ │ │ │ └── structure
│ │ │ │ ├── categorical_variable_mapper.py
│ │ │ │ ├── dynotears.py
│ │ │ │ ├── __init__.py
│ │ │ │ ├── notears.py
│ │ │ │ ├── structure_model.py
│ │ │ │ └── transformers.py
│ │ │ ├── __init__.py
│ │ │ └── utils.py
│ │ └── __init__.py
│ ├── configs
│ │ ├── discrimination
│ │ │ ├── lstm_configs.json
│ │ │ ├── svc_configs.json
│ │ │ └── tempfile_max_len.json
│ │ └── simulation
│ │ ├── cd_configs.yaml
│ │ ├── fc_configs.yaml
│ │ └── nz_configs.yaml
│ ├── notebooks
│ │ ├── exp_0_increasing_density.ipynb
│ │ ├── exp_1_dense_output.ipynb
│ │ ├── exp_2_oracle_graph.ipynb
│ │ ├── exp_3_vs_baselines.ipynb
│ │ ├── exp_4_cd_efficacy.ipynb
│ │ ├── exp_5_random_output.ipynb
│ │ ├── exp_6_synthetic_scalable_data.ipynb
│ │ ├── exp_7_c2st_sanity_checks.ipynb
│ │ └── running_examples.ipynb
│ ├── PretrainedForecasters
│ │ ├── __init__.py
│ │ └── TimesFMForecaster.py
│ ├── RealNVP
│ │ ├── __init__.py
│ │ ├── RealNVP.py
│ │ └── RealNVP_pytorch.py
│ ├── simulation
│ │ ├── delong.py
│ │ ├── detection_lstm.py
│ │ ├── __init__.py
│ │ ├── simulation_configs.py
│ │ ├── simulation_metrics.py
│ │ ├── simulation_tools.py
│ │ └── simulation_utils.py
│ ├── TCDF
│ │ ├── depthwise.py
│ │ ├── forecaster.py
│ │ ├── __init__.py
│ │ ├── model.py
│ │ └── TCDF.py
│ ├── tempogen
│ │ ├── functional_utils.py
│ │ ├── __init__.py
│ │ ├── temporal_causal_structure.py
│ │ ├── temporal_node.py
│ │ ├── temporal_random_generation.py
│ │ └── temporal_scm.py
│ └── utils.py
├── data
│ ├── cp_style
│ │ ├── cp_0_L_1L
│ │ │ ├── data
│ │ │ │ ├── cp_collection_data_0.csv
│ │ │ │ ├── cp_collection_data_10.csv
│ │ │ │ ├── cp_collection_data_11.csv
│ │ │ │ ├── cp_collection_data_12.csv
│ │ │ │ ├── cp_collection_data_13.csv
│ │ │ │ ├── cp_collection_data_14.csv
│ │ │ │ ├── cp_collection_data_15.csv
│ │ │ │ ├── cp_collection_data_16.csv
│ │ │ │ ├── cp_collection_data_17.csv
│ │ │ │ ├── cp_collection_data_18.csv
│ │ │ │ ├── cp_collection_data_19.csv
│ │ │ │ ├── cp_collection_data_1.csv
│ │ │ │ ├── cp_collection_data_2.csv
│ │ │ │ ├── cp_collection_data_3.csv
│ │ │ │ ├── cp_collection_data_4.csv
│ │ │ │ ├── cp_collection_data_5.csv
│ │ │ │ ├── cp_collection_data_6.csv
│ │ │ │ ├── cp_collection_data_7.csv
│ │ │ │ ├── cp_collection_data_8.csv
│ │ │ │ └── cp_collection_data_9.csv
│ │ │ └── structure
│ │ │ ├── cp_collection_struct_0.pt
│ │ │ ├── cp_collection_struct_10.pt
│ │ │ ├── cp_collection_struct_11.pt
│ │ │ ├── cp_collection_struct_12.pt
│ │ │ ├── cp_collection_struct_13.pt
│ │ │ ├── cp_collection_struct_14.pt
│ │ │ ├── cp_collection_struct_15.pt
│ │ │ ├── cp_collection_struct_16.pt
│ │ │ ├── cp_collection_struct_17.pt
│ │ │ ├── cp_collection_struct_18.pt
│ │ │ ├── cp_collection_struct_19.pt
│ │ │ ├── cp_collection_struct_1.pt
│ │ │ ├── cp_collection_struct_2.pt
│ │ │ ├── cp_collection_struct_3.pt
│ │ │ ├── cp_collection_struct_4.pt
│ │ │ ├── cp_collection_struct_5.pt
│ │ │ ├── cp_collection_struct_6.pt
│ │ │ ├── cp_collection_struct_7.pt
│ │ │ ├── cp_collection_struct_8.pt
│ │ │ └── cp_collection_struct_9.pt
│ │ ├── cp_0_L_1L+
│ │ │ ├── data
│ │ │ │ ├── cp_collection_data_0.csv
│ │ │ │ ├── cp_collection_data_1.csv
│ │ │ │ ├── cp_collection_data_2.csv
│ │ │ │ ├── cp_collection_data_3.csv
│ │ │ │ ├── cp_collection_data_4.csv
│ │ │ │ ├── cp_collection_data_5.csv
│ │ │ │ ├── cp_collection_data_6.csv
│ │ │ │ ├── cp_collection_data_7.csv
│ │ │ │ ├── cp_collection_data_8.csv
│ │ │ │ └── cp_collection_data_9.csv
│ │ │ └── structure
│ │ │ ├── cp_collection_struct_0.pt
│ │ │ ├── cp_collection_struct_1.pt
│ │ │ ├── cp_collection_struct_2.pt
│ │ │ ├── cp_collection_struct_3.pt
│ │ │ ├── cp_collection_struct_4.pt
│ │ │ ├── cp_collection_struct_5.pt
│ │ │ ├── cp_collection_struct_6.pt
│ │ │ ├── cp_collection_struct_7.pt
│ │ │ ├── cp_collection_struct_8.pt
│ │ │ └── cp_collection_struct_9.pt
│ │ ├── cp_0_L_1L+-
│ │ │ ├── data
│ │ │ │ ├── cp_collection_data_0.csv
│ │ │ │ ├── cp_collection_data_1.csv
│ │ │ │ ├── cp_collection_data_2.csv
│ │ │ │ ├── cp_collection_data_3.csv
│ │ │ │ ├── cp_collection_data_4.csv
│ │ │ │ ├── cp_collection_data_5.csv
│ │ │ │ ├── cp_collection_data_6.csv
│ │ │ │ ├── cp_collection_data_7.csv
│ │ │ │ ├── cp_collection_data_8.csv
│ │ │ │ └── cp_collection_data_9.csv
│ │ │ └── structure
│ │ │ ├── cp_collection_struct_0.pt
│ │ │ ├── cp_collection_struct_1.pt
│ │ │ ├── cp_collection_struct_2.pt
│ │ │ ├── cp_collection_struct_3.pt
│ │ │ ├── cp_collection_struct_4.pt
│ │ │ ├── cp_collection_struct_5.pt
│ │ │ ├── cp_collection_struct_6.pt
│ │ │ ├── cp_collection_struct_7.pt
│ │ │ ├── cp_collection_struct_8.pt
│ │ │ └── cp_collection_struct_9.pt
│ │ ├── cp_0_NL_2L
│ │ │ ├── data
│ │ │ │ ├── cp_collection_data_0.csv
│ │ │ │ ├── cp_collection_data_10.csv
│ │ │ │ ├── cp_collection_data_11.csv
│ │ │ │ ├── cp_collection_data_12.csv
│ │ │ │ ├── cp_collection_data_13.csv
│ │ │ │ ├── cp_collection_data_14.csv
│ │ │ │ ├── cp_collection_data_15.csv
│ │ │ │ ├── cp_collection_data_16.csv
│ │ │ │ ├── cp_collection_data_17.csv
│ │ │ │ ├── cp_collection_data_18.csv
│ │ │ │ ├── cp_collection_data_19.csv
│ │ │ │ ├── cp_collection_data_1.csv
│ │ │ │ ├── cp_collection_data_2.csv
│ │ │ │ ├── cp_collection_data_3.csv
│ │ │ │ ├── cp_collection_data_4.csv
│ │ │ │ ├── cp_collection_data_5.csv
│ │ │ │ ├── cp_collection_data_6.csv
│ │ │ │ ├── cp_collection_data_7.csv
│ │ │ │ ├── cp_collection_data_8.csv
│ │ │ │ └── cp_collection_data_9.csv
│ │ │ └── structure
│ │ │ ├── cp_collection_struct_0.pt
│ │ │ ├── cp_collection_struct_10.pt
│ │ │ ├── cp_collection_struct_11.pt
│ │ │ ├── cp_collection_struct_12.pt
│ │ │ ├── cp_collection_struct_13.pt
│ │ │ ├── cp_collection_struct_14.pt
│ │ │ ├── cp_collection_struct_15.pt
│ │ │ ├── cp_collection_struct_16.pt
│ │ │ ├── cp_collection_struct_17.pt
│ │ │ ├── cp_collection_struct_18.pt
│ │ │ ├── cp_collection_struct_19.pt
│ │ │ ├── cp_collection_struct_1.pt
│ │ │ ├── cp_collection_struct_2.pt
│ │ │ ├── cp_collection_struct_3.pt
│ │ │ ├── cp_collection_struct_4.pt
│ │ │ ├── cp_collection_struct_5.pt
│ │ │ ├── cp_collection_struct_6.pt
│ │ │ ├── cp_collection_struct_7.pt
│ │ │ ├── cp_collection_struct_8.pt
│ │ │ └── cp_collection_struct_9.pt
│ │ ├── cp_0_NL_2L+
│ │ │ ├── data
│ │ │ │ ├── cp_collection_data_0.csv
│ │ │ │ ├── cp_collection_data_1.csv
│ │ │ │ ├── cp_collection_data_2.csv
│ │ │ │ ├── cp_collection_data_3.csv
│ │ │ │ ├── cp_collection_data_4.csv
│ │ │ │ ├── cp_collection_data_5.csv
│ │ │ │ ├── cp_collection_data_6.csv
│ │ │ │ ├── cp_collection_data_7.csv
│ │ │ │ ├── cp_collection_data_8.csv
│ │ │ │ └── cp_collection_data_9.csv
│ │ │ └── structure
│ │ │ ├── cp_collection_struct_0.pt
│ │ │ ├── cp_collection_struct_1.pt
│ │ │ ├── cp_collection_struct_2.pt
│ │ │ ├── cp_collection_struct_3.pt
│ │ │ ├── cp_collection_struct_4.pt
│ │ │ ├── cp_collection_struct_5.pt
│ │ │ ├── cp_collection_struct_6.pt
│ │ │ ├── cp_collection_struct_7.pt
│ │ │ ├── cp_collection_struct_8.pt
│ │ │ └── cp_collection_struct_9.pt
│ │ ├── cp_0_NL_3L
│ │ │ ├── data
│ │ │ │ ├── cp_collection_data_0.csv
│ │ │ │ ├── cp_collection_data_1.csv
│ │ │ │ ├── cp_collection_data_2.csv
│ │ │ │ ├── cp_collection_data_3.csv
│ │ │ │ ├── cp_collection_data_4.csv
│ │ │ │ ├── cp_collection_data_5.csv
│ │ │ │ ├── cp_collection_data_6.csv
│ │ │ │ ├── cp_collection_data_7.csv
│ │ │ │ ├── cp_collection_data_8.csv
│ │ │ │ └── cp_collection_data_9.csv
│ │ │ └── structure
│ │ │ ├── cp_collection_struct_0.pt
│ │ │ ├── cp_collection_struct_1.pt
│ │ │ ├── cp_collection_struct_2.pt
│ │ │ ├── cp_collection_struct_3.pt
│ │ │ ├── cp_collection_struct_4.pt
│ │ │ ├── cp_collection_struct_5.pt
│ │ │ ├── cp_collection_struct_6.pt
│ │ │ ├── cp_collection_struct_7.pt
│ │ │ ├── cp_collection_struct_8.pt
│ │ │ └── cp_collection_struct_9.pt
│ │ └── increasing_edges_cp_1
│ │ ├── data
│ │ │ ├── (000)_cp_v10_l1_p95_ts.csv
│ │ │ ├── (001)_cp_v10_l1_p92_ts.csv
│ │ │ ├── (002)_cp_v10_l1_p89_ts.csv
│ │ │ ├── (003)_cp_v10_l1_p86_ts.csv
│ │ │ ├── (004)_cp_v10_l1_p83_ts.csv
│ │ │ ├── (005)_cp_v10_l1_p80_ts.csv
│ │ │ ├── (006)_cp_v10_l1_p77_ts.csv
│ │ │ ├── (007)_cp_v10_l1_p74_ts.csv
│ │ │ ├── (008)_cp_v10_l1_p71_ts.csv
│ │ │ ├── (009)_cp_v10_l1_p68_ts.csv
│ │ │ ├── (010)_cp_v10_l1_p65_ts.csv
│ │ │ ├── (011)_cp_v10_l2_p98_ts.csv
│ │ │ ├── (012)_cp_v10_l2_p95_ts.csv
│ │ │ ├── (013)_cp_v10_l2_p92_ts.csv
│ │ │ ├── (014)_cp_v10_l2_p89_ts.csv
│ │ │ ├── (015)_cp_v10_l2_p86_ts.csv
│ │ │ ├── (016)_cp_v10_l2_p83_ts.csv
│ │ │ ├── (017)_cp_v10_l2_p80_ts.csv
│ │ │ └── (018)_cp_v10_l2_p77_ts.csv
│ │ └── structure
│ │ ├── (000)_cp_v10_l1_p95_struct.pt
│ │ ├── (001)_cp_v10_l1_p92_struct.pt
│ │ ├── (002)_cp_v10_l1_p89_struct.pt
│ │ ├── (003)_cp_v10_l1_p86_struct.pt
│ │ ├── (004)_cp_v10_l1_p83_struct.pt
│ │ ├── (005)_cp_v10_l1_p80_struct.pt
│ │ ├── (006)_cp_v10_l1_p77_struct.pt
│ │ ├── (007)_cp_v10_l1_p74_struct.pt
│ │ ├── (008)_cp_v10_l1_p71_struct.pt
│ │ ├── (009)_cp_v10_l1_p68_struct.pt
│ │ ├── (010)_cp_v10_l1_p65_struct.pt
│ │ ├── (011)_cp_v10_l2_p98_struct.pt
│ │ ├── (012)_cp_v10_l2_p95_struct.pt
│ │ ├── (013)_cp_v10_l2_p92_struct.pt
│ │ ├── (014)_cp_v10_l2_p89_struct.pt
│ │ ├── (015)_cp_v10_l2_p86_struct.pt
│ │ ├── (016)_cp_v10_l2_p83_struct.pt
│ │ ├── (017)_cp_v10_l2_p80_struct.pt
│ │ └── (018)_cp_v10_l2_p77_struct.pt
│ ├── finance
│ │ ├── random-rels_20_1_3_returns30007000_header.csv
│ │ ├── random-rels_20_1A_returns30007000_header.csv
│ │ ├── random-rels_20_1B_returns30007000_header.csv
│ │ ├── random-rels_20_1C_returns30007000_header.csv
│ │ ├── random-rels_20_1D_returns30007000_header.csv
│ │ └── random-rels_20_1E_returns30007000_header.csv
│ ├── fMRI
│ │ ├── graphs
│ │ │ ├── sim19_gt_processed.csv
│ │ │ ├── sim20_gt_processed.csv
│ │ │ ├── sim5_gt_processed.csv
│ │ │ ├── sim6_gt_processed.csv
│ │ │ ├── sim7_gt_processed.csv
│ │ │ └── sim9_gt_processed.csv
│ │ └── timeseries
│ │ ├── timeseries19.csv
│ │ ├── timeseries20.csv
│ │ ├── timeseries5.csv
│ │ ├── timeseries6.csv
│ │ ├── timeseries7.csv
│ │ └── timeseries9.csv
│ ├── MvTS
│ │ ├── air_quality_mini
│ │ │ ├── air_quality_mini_boot_0.csv
│ │ │ ├── air_quality_mini_boot_1.csv
│ │ │ ├── air_quality_mini_boot_2.csv
│ │ │ ├── air_quality_mini_boot_3.csv
│ │ │ └── air_quality_mini_boot_4.csv
│ │ ├── AirQualityUCI
│ │ │ ├── AirQualityUCI_boot_0.csv
│ │ │ ├── AirQualityUCI_boot_1.csv
│ │ │ ├── AirQualityUCI_boot_2.csv
│ │ │ ├── AirQualityUCI_boot_3.csv
│ │ │ └── AirQualityUCI_boot_4.csv
│ │ ├── bike-usage
│ │ │ ├── bike-usage_boot_0.csv
│ │ │ ├── bike-usage_boot_1.csv
│ │ │ ├── bike-usage_boot_2.csv
│ │ │ ├── bike-usage_boot_3.csv
│ │ │ └── bike-usage_boot_5.csv
│ │ ├── ETTh1
│ │ │ ├── ETTh1_boot_0.csv
│ │ │ ├── ETTh1_boot_1.csv
│ │ │ ├── ETTh1_boot_2.csv
│ │ │ ├── ETTh1_boot_3.csv
│ │ │ └── ETTh1_boot_4.csv
│ │ ├── ETTm1
│ │ │ ├── ETTm1_boot_0.csv
│ │ │ ├── ETTm1_boot_1.csv
│ │ │ ├── ETTm1_boot_2.csv
│ │ │ ├── ETTm1_boot_3.csv
│ │ │ └── ETTm1_boot_4.csv
│ │ ├── outdoor
│ │ │ └── outdoor_original.csv
│ │ └── WTH
│ │ ├── WTH_boot_0.csv
│ │ ├── WTH_boot_1.csv
│ │ ├── WTH_boot_2.csv
│ │ ├── WTH_boot_3.csv
│ │ └── WTH_boot_4.csv
│ └── results
│ ├── cd_efficacy
│ │ ├── simulated_ct
│ │ │ ├── air_quality_mini
│ │ │ │ ├── air_quality_mini_boot_0.csv
│ │ │ │ ├── air_quality_mini_boot_1.csv
│ │ │ │ ├── air_quality_mini_boot_2.csv
│ │ │ │ ├── air_quality_mini_boot_3.csv
│ │ │ │ └── air_quality_mini_boot_4.csv
│ │ │ ├── AirQualityUCI
│ │ │ │ └── AirQualityUCI_boot_4.csv
│ │ │ ├── bike-usage
│ │ │ │ ├── bike-usage_boot_0.csv
│ │ │ │ ├── bike-usage_boot_1.csv
│ │ │ │ ├── bike-usage_boot_2.csv
│ │ │ │ └── bike-usage_boot_5.csv
│ │ │ ├── cp_style
│ │ │ │ ├── (000)_cp_v10_l1_p95_ts.csv
│ │ │ │ ├── (001)_cp_v10_l1_p92_ts.csv
│ │ │ │ ├── (002)_cp_v10_l1_p89_ts.csv
│ │ │ │ ├── (003)_cp_v10_l1_p86_ts.csv
│ │ │ │ ├── (004)_cp_v10_l1_p83_ts.csv
│ │ │ │ ├── (005)_cp_v10_l1_p80_ts.csv
│ │ │ │ ├── (006)_cp_v10_l1_p77_ts.csv
│ │ │ │ ├── (007)_cp_v10_l1_p74_ts.csv
│ │ │ │ ├── (008)_cp_v10_l1_p71_ts.csv
│ │ │ │ └── (009)_cp_v10_l1_p68_ts.csv
│ │ │ ├── ETTh1
│ │ │ │ ├── ETTh1_boot_0.csv
│ │ │ │ ├── ETTh1_boot_1.csv
│ │ │ │ ├── ETTh1_boot_2.csv
│ │ │ │ ├── ETTh1_boot_3.csv
│ │ │ │ └── ETTh1_boot_4.csv
│ │ │ ├── ETTm1
│ │ │ │ ├── ETTm1_boot_0.csv
│ │ │ │ ├── ETTm1_boot_1.csv
│ │ │ │ ├── ETTm1_boot_2.csv
│ │ │ │ ├── ETTm1_boot_3.csv
│ │ │ │ └── ETTm1_boot_4.csv
│ │ │ ├── finance
│ │ │ │ ├── random-rels_20_1_3_returns30007000_header.csv
│ │ │ │ ├── random-rels_20_1A_returns30007000_header.csv
│ │ │ │ ├── random-rels_20_1B_returns30007000_header.csv
│ │ │ │ ├── random-rels_20_1C_returns30007000_header.csv
│ │ │ │ ├── random-rels_20_1D_returns30007000_header.csv
│ │ │ │ └── random-rels_20_1E_returns30007000_header.csv
│ │ │ ├── fMRI
│ │ │ │ ├── timeseries19.csv
│ │ │ │ ├── timeseries5.csv
│ │ │ │ ├── timeseries6.csv
│ │ │ │ ├── timeseries7.csv
│ │ │ │ └── timeseries9.csv
│ │ │ ├── outdoor
│ │ │ │ └── outdoor_original.csv
│ │ │ └── WTH
│ │ │ ├── WTH_boot_0.csv
│ │ │ ├── WTH_boot_1.csv
│ │ │ ├── WTH_boot_2.csv
│ │ │ ├── WTH_boot_3.csv
│ │ │ └── WTH_boot_4.csv
│ │ └── simulated_tcs
│ │ ├── air_quality_mini
│ │ │ ├── air_quality_mini_boot_0.csv
│ │ │ ├── air_quality_mini_boot_1.csv
│ │ │ ├── air_quality_mini_boot_2.csv
│ │ │ ├── air_quality_mini_boot_3.csv
│ │ │ └── air_quality_mini_boot_4.csv
│ │ ├── AirQualityUCI
│ │ │ └── AirQualityUCI_boot_4.csv
│ │ ├── bike-usage
│ │ │ ├── bike-usage_boot_0.csv
│ │ │ ├── bike-usage_boot_1.csv
│ │ │ ├── bike-usage_boot_2.csv
│ │ │ └── bike-usage_boot_5.csv
│ │ ├── cp_style
│ │ │ ├── (000)_cp_v10_l1_p95_ts.csv
│ │ │ ├── (001)_cp_v10_l1_p92_ts.csv
│ │ │ ├── (002)_cp_v10_l1_p89_ts.csv
│ │ │ ├── (003)_cp_v10_l1_p86_ts.csv
│ │ │ ├── (004)_cp_v10_l1_p83_ts.csv
│ │ │ ├── (005)_cp_v10_l1_p80_ts.csv
│ │ │ ├── (006)_cp_v10_l1_p77_ts.csv
│ │ │ ├── (007)_cp_v10_l1_p74_ts.csv
│ │ │ ├── (008)_cp_v10_l1_p71_ts.csv
│ │ │ └── (009)_cp_v10_l1_p68_ts.csv
│ │ ├── ETTh1
│ │ │ ├── ETTh1_boot_0.csv
│ │ │ ├── ETTh1_boot_1.csv
│ │ │ ├── ETTh1_boot_2.csv
│ │ │ ├── ETTh1_boot_3.csv
│ │ │ └── ETTh1_boot_4.csv
│ │ ├── ETTm1
│ │ │ ├── ETTm1_boot_0.csv
│ │ │ ├── ETTm1_boot_1.csv
│ │ │ ├── ETTm1_boot_2.csv
│ │ │ ├── ETTm1_boot_3.csv
│ │ │ └── ETTm1_boot_4.csv
│ │ ├── finance
│ │ │ ├── random-rels_20_1_3_returns30007000_header.csv
│ │ │ ├── random-rels_20_1A_returns30007000_header.csv
│ │ │ ├── random-rels_20_1B_returns30007000_header.csv
│ │ │ ├── random-rels_20_1C_returns30007000_header.csv
│ │ │ ├── random-rels_20_1D_returns30007000_header.csv
│ │ │ └── random-rels_20_1E_returns30007000_header.csv
│ │ ├── fMRI
│ │ │ ├── timeseries19.csv
│ │ │ ├── timeseries5.csv
│ │ │ ├── timeseries6.csv
│ │ │ ├── timeseries7.csv
│ │ │ └── timeseries9.csv
│ │ ├── outdoor
│ │ │ └── outdoor_original.csv
│ │ └── WTH
│ │ ├── WTH_boot_0.csv
│ │ ├── WTH_boot_1.csv
│ │ ├── WTH_boot_2.csv
│ │ ├── WTH_boot_3.csv
│ │ └── WTH_boot_4.csv
│ ├── dense_graph
│ │ ├── res_cp_vs_1.p
│ │ ├── res_cp_vs_2n.p
│ │ ├── res_cp_vs_2.p
│ │ ├── res_cp_vs_3n.p
│ │ ├── res_cp_vs_4n.p
│ │ └── res_cp_vs_5n.p
│ ├── figures
│ │ ├── sparsity_penalty_cp1.png
│ │ └── sparsity_penalty_cp1_short.png
│ ├── oracle_graph
│ │ ├── res_cp_just_1.p
│ │ ├── res_cp_ora_1.p
│ │ ├── res_cp_ora_2n.p
│ │ ├── res_cp_ora_3n.p
│ │ ├── res_cp_ora_4n.p
│ │ ├── res_cp_ora_5n.p
│ │ └── res_cp_vs_1.p
│ ├── random_graph
│ │ ├── res_cp_vs_1.p
│ │ ├── res_cp_vs_2.p
│ │ └── res_cp_vs_3.p
│ ├── sparsity_penalty
│ │ └── res_cp_vs_2.p
│ └── vs
│ ├── air_quality_mini_auc.json
│ ├── air_quality_mini_mmd.json
│ ├── AirQualityUCI_auc.json
│ ├── AirQualityUCI_mmd.json
│ ├── bike-usage_auc.json
│ ├── bike-usage_mmd.json
│ ├── cp_0_L_1L+_auc.json
│ ├── cp_0_L_1L_auc.json
│ ├── cp_0_L_1L+_mmd.json
│ ├── cp_0_L_1L_mmd.json
│ ├── cp_0_L_1L+_shd.json
│ ├── cp_0_L_1L_shd.json
│ ├── cp_0_NL_2L+_auc.json
│ ├── cp_0_NL_2L_auc.json
│ ├── cp_0_NL_2L+_mmd.json
│ ├── cp_0_NL_2L_mmd.json
│ ├── cp_0_NL_2L+_shd.json
│ ├── cp_0_NL_2L_shd.json
│ ├── cp_0_NL_3L_auc.json
│ ├── cp_0_NL_3L_mmd.json
│ ├── cp_0_NL_3L_shd.json
│ ├── cp_1_auc.json
│ ├── cp_1_mmd.json
│ ├── finance_auc.json
│ ├── finance_mmd.json
│ ├── fmri_auc.json
│ ├── fmri_mmd.json
│ ├── outdoor_auc.json
│ ├── outdoor_mmd.json
│ ├── WTH_auc.json
│ └── WTH_mmd.json
├── environment.yaml
├── LICENSE
├── README.md
└── requirements.txt
CP Weights (to be optionally included in Phase 1 of TCS -see simulation_configs.py) are provided outside GitHub due to size constraints, in the following Google Drive links:
The first model corresponds to
If the codebase has proven useful, please consider citing the following article:
@misc{gkorgkolis2025temporal,
title={Temporal Causal-based Simulation for Realistic Time-series Generation},
author={Nikolaos Gkorgkolis and Nikolaos Kougioulis and MingXue Wang and Bora Caglayan and Andrea Tonon and Dario Simionato and Ioannis Tsamardinos},
year={2025},
eprint={2506.02084},
archivePrefix={arXiv},
primaryClass={cs.LG},
url={https://arxiv.org/abs/2506.02084},
}Contributions are welcome! Feel free to:
- Open issues for bugs, questions, or feature requests
- Submit pull requests for improvements or new functionality
We follow standard GitHub practices for contributions, see our CONTRIBUTING file.