C3DE：用于长期城市客流预测的因果感知协同神经受控微分方程
机器学习
2025-09-17 v1 人工智能
摘要
由于序列长度和采样间隔的增加，长期城市客流预测受到累积采样误差的严重影响，这促使我们利用神经受控微分方程来缓解这一问题。然而，考虑到兴趣点（POI）演化对长期客流的重要影响，客流与 POI 分布之间的多时间尺度异步动力学以及潜在伪因果关系，对应用 NCDE 进行长期城市客流预测提出了挑战。为此，我们提出因果感知协同神经 CDE（C3DE）来对客流的长期动态进行建模。具体而言，我们引入双路径 NCDE 作为骨干网络，以有效捕获跨多个时间尺度的协同信号的异步演化。然后，我们设计了一种基于反事实的因果效应估计器的动态校正机制，以量化 POI 对客流的因果影响，并最小化伪相关性的积累。最后，我们利用预测器，结合 POI 和客流的融合协同信号进行长期预测。在三个真实世界数据集上的大量实验证明了 C3DE 的优越性能，特别是在客流波动明显的城市中。
引用
@article{arxiv.2509.12289,
title = {C3DE: Causal-Aware Collaborative Neural Controlled Differential Equation for Long-Term Urban Crowd Flow Prediction},
author = {Yuting Liu and Qiang Zhou and Hanzhe Li and Chenqi Gong and Jingjing Gu},
journal= {arXiv preprint arXiv:2509.12289},
year = {2025}
}