见所未见：学习基混杂因子表示以实现鲁棒交通预测
人工智能
2025-01-14 v4
摘要
交通预测对于智能交通系统与城市计算至关重要。其旨在利用各类统计或深度学习方法建立历史交通数据 X 与未来交通状态 Y 之间的关系。然而，X -> Y 的关系常受同时影响 X 与 Y 的外部混杂因子（如天气、事故和节假日）干扰。现有深度学习交通预测模型采用经典的前门与后门调整来处理混杂因子问题。但这些方法在处理连续或 undefined 混杂因子时存在局限，因其依赖于预定义的离散值，而在复杂现实场景中往往不切实际。为克服此挑战，我们提出空间-时间自监督混杂因子学习（STEVE）模型。该模型引入基向量方法，构建基混杂因子库，将任意混杂因子表示为一组基向量的线性组合。它还结合自监督辅助任务以增强基混杂因子库的表达能力。随后，采用混杂因子无关关系解耦模块将混杂因子效应与直接的 X -> Y 关系分离。在四个大规模数据集上的大量实验验证了我们的模型在处理时空分布偏移方面的优越性能，并凸显其对未见混杂因子的适应性。我们的模型实现见 https://github.com/bigscity/STEVE_CODE。
引用
@article{arxiv.2311.12472,
title = {Seeing the Unseen: Learning Basis Confounder Representations for Robust Traffic Prediction},
author = {Jiahao Ji and Wentao Zhang and Jingyuan Wang and Chao Huang},
journal= {arXiv preprint arXiv:2311.12472},
year = {2025}
}
备注
12 pages, 10 figures, Accepted by KDD 2025