利用动态因果图提升时空预测模型的性能

《ACM Transactions on Spatial Algorithms and Systems》：Enhancing Spatial-Temporal Prediction Models with Dynamic Causal Graphs

　　动态时空依赖建模对交通预测的提升研究。针对传统图神经网络静态邻接矩阵无法捕捉动态空间关系的局限性，本文提出三阶段动态因果图嵌入方法：1）基于动态因果发现算法建模时空依赖；2）设计自适应动态空间模块；3）融合多源时空特征。实验表明该方法在TraCI-TS和PEMS-BAY基准数据集上显著优于基线模型。

　　

摘要

时空预测在许多应用中已成为一项重要任务，例如交通预测。由于数据具有时空特性，大多数先进方法严重依赖图神经网络来模拟内在的空间关系。然而，这些方法大多通过应用预先存在的邻接知识或学习静态的自适应邻接矩阵来处理空间数据。因此，在空间依赖性随时间变化的动态情况下，它们的预测性能受到限制。此外，考虑到随机训练过程，从头开始学习自适应邻接矩阵也使得神经网络难以获得稳定的参数和性能。为了解决上述挑战，本文提出了三种实用的扩展方法，将动态因果知识融入图卷积网络的训练中。首先，我们使用一种动态因果发现算法分析了交通节点之间的动态因果关系，并在每个扩展模型中应用该算法。随后，空间模块利用动态因果图来揭示节点之间不断变化的连接关系。大量实验表明，我们的方法成功提升了两个基准测试中现有交通预测模型的性能。