MSCT：利用边际结构因果Transformer解决时变混杂因素以实现反事实碰撞后交通预测

交通事故严重阻碍交通效率并带来经济挑战。准确预测碰撞后交通状态为评估交通扰动和制定有效解决方案提供了必要信息。以往研究已建立了一系列深度学习模型来预测碰撞后交通状况，然而，这些基于相关性的方法无法适应由时变混杂因素和碰撞的异质性效应引起的偏差。碰撞后交通预测模型需要估计在各种条件下假设碰撞的反事实交通速度响应，这证明了理解交通因素之间因果关系的必要性。因此，本文提出了边际结构因果Transformer（MSCT），这是一种专为反事实碰撞后交通预测设计的新型深度学习模型。为了解决时变混杂偏差问题，MSCT融合了受边际结构模型启发的结构，并引入了一个平衡损失函数以促进学习不变的因果特征。所提出的模型具有处理感知能力，特别关注理解和预测假设碰撞干预策略下的交通速度。在缺乏真实数据的情况下，提出了一种合成数据生成程序来模拟交通速度、碰撞和协变量之间的因果机制。该模型使用合成数据和真实世界数据进行了验证，结果表明MSCT在多步超前预测性能上优于最先进的模型。本研究还系统分析了时变混杂偏差和数据集分布对模型性能的影响，为智能交通系统的反事实预测提供了宝贵见解。