用于单车流量预测的时空神经结构因果模型
机器学习
2023-01-20 v1
摘要
作为公共交通的代表，共享单车系统管理的核心问题是单车流量预测。现有方法过度强调数据中的时空相关性，忽略了上下文条件对交通系统的影响以及区域间时变因果性。此外，由于数据中不完整观测的干扰，随机上下文条件导致数据与特征间的虚假相关性，使模型在特殊场景下的预测失效。为克服该问题，我们从因果视角提出时空神经结构因果模型(STNSCM)。首先，我们构建因果图描述交通预测，并进一步分析输入数据、上下文条件、时空状态与预测结果间的因果关系。其次，我们提出应用前门准则消除特征提取过程中的混杂偏差。最后，我们提出反事实表示推理模块，将事实场景下的时空状态外推至未来反事实场景以提升预测性能。在真实数据集上的实验证明了我们模型的优越性能，尤其是其对外部环境引起波动的抵抗能力。源代码与数据将公开。
引用
@article{arxiv.2301.07843,
title = {Spatio-temporal neural structural causal models for bike flow prediction},
author = {Pan Deng and Yu Zhao and Junting Liu and Xiaofeng Jia and Mulan Wang},
journal= {arXiv preprint arXiv:2301.07843},
year = {2023}
}
备注
8 pages, 4 figures