因果时空预测：一种有效且高效的多模态方法
机器学习
2025-10-29 v2
摘要
时空预测在智能交通、气象预报和城市规划中发挥着关键作用。虽然整合多模态数据已显示出提升预测精度的潜力，但仍面临关键挑战：（i）多模态信息的融合不充分，（ii）混杂因素掩盖了因果关系，（iii）预测模型的计算复杂度高。在针对这些挑战方面，我们提出了 E^2-CSTP（Effective and Efficient Causal multi-modal Spatio-Temporal Prediction framework）框架。E^2-CSTP 利用跨模态注意力和门控机制有效整合多模态数据。基于此，我们设计了双分支因果推断方法：主分支聚焦时空预测，而辅助分支通过建模额外模态并应用因果干预来消除偏差，从而揭示真实的因果依赖关系。为提高模型效率，我们将GCN与Mamba架构集成，以实现加速的时空编码。广泛的实验在4个真实世界数据集上表明，E^2-CSTP显著优于9种最先进的方法，在准确率上提升最高可达9.66%，计算开销降低17.37%~56.11%。
引用
@article{arxiv.2505.17637,
title = {Causal Spatio-Temporal Prediction: An Effective and Efficient Multi-Modal Approach},
author = {Yuting Huang and Ziquan Fang and Zhihao Zeng and Lu Chen and Yunjun Gao},
journal= {arXiv preprint arXiv:2505.17637},
year = {2025}
}