面向城市要素及其关联因素的因果发现与推断
人工智能
2025-03-11 v1
摘要
为揭示城市的基本运行机制，深入理解市民、位置与出行行为之间的复杂关系至关重要。先前的研究已应用直接相关性分析来调查此类关系。然而，由于普遍存在的混杂效应，经验相关性分析可能无法准确反映基本城市要素之间的潜在因果关系。在本文中，我们提出了一种新型城市因果计算框架，用于全面探索不同类型城市要素中各种因素之间的因果关系和混杂效应。特别地，我们设计了一种强化学习算法来发现潜在的因果图，该因果图描绘了城市因素之间的因果关系。该因果图进一步作为指导，通过倾向得分匹配来估计城市因素对之间的因果效应。在从相关性中去除混杂效应后，我们利用因果效应在下游城市出行预测任务中的显著性水平。基于开源城市数据集的实验研究表明，发现的因果图呈现出层次化结构，其中市民影响位置，两者共同导致城市出行行为的变化。城市出行预测任务中的实验结果进一步表明，所提出的方法能有效减少混杂效应并提升城市计算任务的性能。
引用
@article{arxiv.2503.06395,
title = {Causal Discovery and Inference towards Urban Elements and Associated Factors},
author = {Tao Feng and Yunke Zhang and Xiaochen Fan and Huandong Wang and Yong Li},
journal= {arXiv preprint arXiv:2503.06395},
year = {2025}
}