基于道路网络预测的智能交通：融合因果结构与自适应多图卷积的深度模型

论文题目：Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction

第一作者：Pingping Dong 香港理工大学工业与系统工程系博士研究生（联合同济大学）。研究方向主要包括时空深度学习、交通流预测、因果结构学习与多图神经网络建模，关注将因果发现方法与图神经网络结合，用于复杂交通系统的高精度预测与可靠性建模。

E-mail：pingping.dong@connect.polyu.hk。

通讯作者：Xiaoge Zhang 香港理工大学工业与系统工程系教授。研究方向涵盖数据驱动优化、时空预测建模、智能交通系统与运筹优化方法，在交通预测、因果建模与可靠性分析等领域具有丰富研究成果。

E-mail：xiaoge.zhang@polyu.edu.hk。

基于道路网络预测的智能交通：融合因果结构与自适应多图卷积的深度模型

论文摘要

近年来，交通流量预测在智慧城市、路径规划和库存控制中扮演重要角色。现有研究大多基于道路拓扑构建图卷积神经网络（GCN），重视显式空间关系而忽略了由交通反常、事故及天气引发的隐式因果依赖，且预测区间往往基于特定分布假设，无法保证统计有效性。本论文提出一种端到端的 Causally‑Aware Spatio‑Temporal Multi‑Graph Convolution Network (CASTMGCN) ，从三个层面构建认知框架：

• 动态因果结构学习：利用结构向量自回归模型(SVAR)和 DYNOTEARS 算法，从海量数据中同时挖掘时间滞后因果关系和同一时间片内的共时因果关系，形成多层因果图。
• 时空多图卷积：在原有道路网络的邻接矩阵基础上，融合因果图、外部因素图及自适应矩阵，通过自注意力时序卷积(Gated‑ATCN)建模时间依赖、通过多图卷积网络(MGCN)学习综合空间结构。
• 不确定性量化：针对时序数据的非交换性，开发 CPST (Conformal Prediction for Spatio‑Temporal data) 方法，通过校准集上的残差构建分位数函数并引入时间衰减权重，生成覆盖率可控且区间宽度最小的预测区间。

实验在香港路网和METR‑LA数据集上证明，CASTMGCN 在均方误差、平均绝对误差等指标上显著优于现有模型，且通过 CPST 构建的预测区间既满足目标覆盖率，又比其他置信区间方法更紧凑。

一、研究背景与问题定义

1.1 时空预测的挑战

交通网络属于典型的时空系统，受道路拓扑、车辆流向、信号控制以及天气与社会活动等因素共同影响。传统 GCN‑基模型主要利用静态邻接矩阵反映道路拓扑，并通过循环网络或卷积网络捕获时间依赖。然而这类方法存在三大不足：

• 忽视隐式因果模式：交通状态不仅受邻近路段影响，还存在跨距离的因果传导。例如事故、天气会导致远端拥堵，表现为滞后或即时因果关系。现有模型很难在空间拓扑之外捕捉这些隐含依赖。
• 缺乏有效的不确定性评估：用于构建预测区间的贝叶斯方法常依赖正态或正则分布假设，并对模型结构要求苛刻，统计保证有限。
• 大规模数据集不足：公开交通数据集规模较小，难以支撑复杂因果结构学习。本研究收集了包含 617 个探测器的香港大规模数据集，为因果结构学习提供支撑。

1.2 研究问题

论文面向 交通流量预测 这一实例化问题，目标是利用历史交通状态和外部因素，预测未来若干时间步每个探测点的流量。同时，需要给出 可信的预测区间 以度量不确定性，要求在不假设特定分布的情况下使预测区间能覆盖真实值的概率达到指定置信水平。为此，研究提出动态因果结构与时空多图卷积相结合的框架。

二、方法框架与模型设计

2.1 动态因果结构学习

2.1.1 结构向量自回归模型

为描述交通状态间的传导关系，论文构建 结构向量自回归模型(SVAR) 。设路网中有  个探测点，第  时刻的状态向量为 ，则 SVAR 形式为：

其中  为滞后阶数； 表示第  个时间滞后的因果系数矩阵( time-lagged causal graph )； 表示同一时间片内的因果系数矩阵( contemporaneous causal graph )； 为独立噪声项。为了保证图无环，论文利用 DYNOTEARS 算法将因果发现问题表示为带有无环约束的优化问题，并通过连续优化方法求解。

2.1.2 学习过程与困难处理

DYNOTEARS 需解决以下困难：

• 无环约束难以优化：原始无环约束是组合性的，论文通过函数  将其转化为可微的光滑函数，以无环性约束  实现连续近似。
• 时间滞后与共时关系同时估计：将  扩展为块矩阵，分别代表不同滞后阶数与共时图，使用 Lasso 正则化实现稀疏性，从而同时学习多尺度因果关系。
• 算法效率问题：利用 BFGS 算法在约束空间内优化，数据量大时可并行分解，论文在香港数据上成功学习到二阶因果图。

2.2 时空依赖学习：Gated-ATCN + MGCN

在得到显式道路邻接矩阵  和隐式因果图  后，模型采用两阶段结构建模时空依赖：

2.2.3 模型框架总结

下图展示 CASTMGCN 的总体流程：输入过去  个时间步的交通状态，首先进行动态因果结构学习得到多层因果图；其次通过 Gated-ATCN 提取时间特征，再由 MGCN 融合多图空间信息；最后通过 CPST 得到预测值及其不确定区间。

2.3 不确定性量化：CPST

2.3.1 传统 conformal prediction 的局限

标准的 分位数回归法 或贝叶斯置信区间通常假设误差分布为正态或独立同分布，并未考虑时间相关性。用于时间序列的 随机交换 conformal prediction (SCP) 需要依赖数据可交换性，这一假设在时序数据中不成立，导致覆盖率不可靠。

2.3.2 CPST 方法

CPST 在训练后按时间顺序划分 训练集 和 校准集。对校准集中每个样本 ，定义 非一致性分数，构建分位数函数  使得校准集中满足  的比例不少于 。考虑时序依赖，CPST 对分数加权：越靠近当前预测时间点的分数权重越大，权重随时间递减，进而调整分位数计算：

其中  为衰减因子。最终，预测区间为

这一方法无需依赖分布假设，对任何黑箱预测器均适用，并在理论上保证覆盖率。

2.3.3 Causal‑Aware + CPST 结合

由于 CASTMGCN 本身输出点预测 ，CPST 只需利用模型残差即可构建区间。论文进一步证明，使用因果图提升了模型准确性，残差分布更加平稳，使得 CPST 取得更紧凑的区间。

三、实验设计与结果分析

3.1 数据集与实验设置

• 香港大规模交通数据：包含 617 个探测器，从 2023 年 7 月 1 日至 10 月 31 日，5 分钟一采样，规模达数百万条记录。
• METR‑LA 数据集：包含洛杉矶 207 个探测器，采样于 2012 年 3 月 1 日至 6 月 30 日。
• 外部因素：包括天气状况、节假日及事故信息，这些因素通过构建外部因素图并嵌入模型。
• 评价指标：平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)衡量点预测性能；覆盖率(Coverage)与效率(Efficiency，即区间宽度的反比)衡量预测区间质量。

模型采用 2 层 Gated‑ATCN，膨胀卷积核大小 3，学习率 1e‑4，以预测未来 15、30、45、60 分钟交通状态。

3.2 结果汇总

3.2.1 点预测性能

论文对比了 ASTGCN、STGCN、GMAN、StemGNN 等多种基线模型。结果显示：

• CASTMGCN 在 MAE 和 RMSE 上均达到最低，平均绝对误差较最佳基线降低 5%–10%。
• 融入因果图显著提升远期预测精度，尤其在 60 分钟预测上优势明显。
• 消融实验表明，道路拓扑图、滞后因果图、共时因果图、外部因素图和自适应图各自贡献互补，缺少任何一种图都会使误差显著增加。

3.2.2 不确定性预测性能

图3 展示了不同预测区间方法在目标覆盖率 90% 下的效率比较。纵轴为覆盖率，横轴为效率；理想状态是高覆盖率和高效率（右上角）。

主要发现：

• CPST（蓝线）几乎达到目标覆盖率且效率最高，说明预测区间最窄却仍能覆盖真实值。
• SCP 和 Quantile Regression 覆盖率不足；Bootstrap 方法区间过宽，效率低下。
• 在香港数据集上，CPST 在 90% 置信水平下比 Bootstrap 方法区间宽度降低 30%，仍保持 90% 覆盖率。

3.3 因果图特性分析

论文进一步分析了学习得到的因果图特性：时间滞后因果图比共时图拥有更多边，平均度更高，说明交通影响具有明显的时间传播特性；香港数据集的因果图存在更长的传播路径和更丰富的连通块，这与其复杂的道路网络和高人口密度相关。这些分析帮助理解模型捕捉到的隐式依赖，并为城市交通规划提供定量依据。

四、创新点与亮点

论文贡献体现在以下方面：

• 因果结构学习引入时空预测：首次将 DYNOTEARS 用于交通流量预测，显式学习时间滞后与共时因果图，将隐式交通模式纳入模型。
• 多图信息融合：构建融合道路拓扑、因果关系、外部因素和自适应图的 MGCN，实现对 显式结构 与 隐式模式 的全面建模。
• 分布无关的不确定性量化：提出 CPST，在不假设数据分布前提下利用校准集残差构建预测区间，保证覆盖率且区间最紧凑。
• 大规模数据集构建与开放：采集香港大型交通数据并基于隐私协议公开，为学界提供新的基准数据，促进因果研究与深度学习交叉。
• 全面实验验证：在两个规模不同的数据集上进行系统比较，采用多指标评估并设计消融试验，结论具有充分的实证支撑。

五、结论与展望

本研究以交通预测为背景，提出因果感知时空多图卷积框架 CASTMGCN，并结合 CPST 建立可信预测区间。通过动态因果结构学习，模型识别出道路网络之外的潜在时空依赖；多图卷积有效融合显式与隐式结构；基于时序校准的分布无关预测区间提升了决策可靠性。实验表明，该框架在预测精度和置信区间效率上均大幅优于基线模型，凸显了因果发现与深度学习结合的价值。

未来研究可从以下方向拓展：

• 实时更新因果结构：结合在线学习机制，在交通环境变化时快速更新因果图，以应对突发事件。
• 跨域迁移与自适应：探索因果图在不同城市间的可迁移性，为数据稀缺地区提供预训练模型。
• 泛化至其他领域：本框架适用于疾病传播、物流调度等具有时空特征的任务，为多领域预测提供新思路。

原文链接见文末，或扫下方交流群二维码。群内实时更新推文及原文 pdf，方便专家学者随时获取（若二维码失效，请翻阅扫描最新文章的二维码）。