城市交通中的无偏因果结构学习和反事实推理研究

信息传输、软件和信息技术服务业

北京市自然科学基金本科生“启研”计划

北京市科学技术委员会;中关村科技园区管理委员会

本科技成果聚焦于动态非平稳环境下的无偏因果结构学习。关键技术成果包括：1）提出潜在混杂因子估计器，融合原型学习与可微分聚类技术，有效识别并分离天气、事件等外部干扰，生成因果分层矩阵；2）开发因果去偏器，将后门调整理论引入时空建模，通过对混杂因子进行积分消元，提取纯净、无偏的时空因果特征；3）构建动态因果学习器与因果传播模块，学习随时间演化的因果传递矩阵，融合地理邻近与功能交互等先验知识，生成因果增强的时空表征。 在北京市西城区及纽约市公开数据集上的验证结果表明，该技术在城市交通状态（如流量、速度）预测任务中，其平均绝对误差（MAE）与均方根误差（RMSE）等关键指标均优于STGODE、AGCRN等十种主流基线模型，在复杂交通场景下表现出显著的泛化优势。 该成果已成功应用于北京通州区智慧交通建设，有效校正了因监测设备分布不均、极端场景稀缺所导致的数据偏倚问题，显著提升了重点区域交通流量预测的准确度与鲁棒性，为信号配时优化、拥堵预警及主动疏导提供了科学决策依据，在提升路网运行效率、改善公众出行体验方面取得实际效益，展现了基础研究支撑城市治理的重要价值。相关技术具备向环境监测、公共安全等智慧城市多领域推广的广阔前景。