《Physica A: Statistical Mechanics and its Applications》：MMC-CP: An Interpretable Traffic Speed Prediction Method Inspired by Multiscale Causal Emergence Theory
编辑推荐：
摘要交通系统在非稳态演化过程中表现出明显的跨尺度动态特性，例如交通状态的转变和突然的状态变化。在这些过程中，局部扰动可能通过集体耦合传播，并最终与宏观拥堵的形成相关联。然而，大多数现有的交通预测方法主要依赖于统计相关性或单尺度表示，这使得难以描述扰动在不同尺度上的传播和放大。这种
摘要
交通系统在非稳态演化过程中表现出明显的跨尺度动态特性，例如交通状态的转变和突然的状态变化。在这些过程中，局部扰动可能通过集体耦合传播，并最终与宏观拥堵的形成相关联。然而，大多数现有的交通预测方法主要依赖于统计相关性或单尺度表示，这使得难以描述扰动在不同尺度上的传播和放大。这种限制通常导致在交通状态转变和拥堵期间预测延迟和幅度偏差。为了解决这个问题，本文提出了一种受因果涌现理论启发的多尺度预测框架。该方法基于因果涌现理论的多尺度粗化视角，并利用观测到的交通信息进行构建，形成了涵盖微观、介观和宏观三个尺度的表示系统。在此基础上，引入了一种由跨尺度状态指标驱动的动态门控机制，根据跨尺度变化增益ΔΦ和跨尺度复杂性差异EC自适应调整每个尺度的贡献。在真实交通数据集上的实验表明，ΔΦ和EC在识别的交通状态转变附近都表现出明显的峰值模式，表明了统计关联和潜在的预测优先性。总体而言，MMC-CP提高了交通速度预测的性能，并增强了多尺度信息融合的可解释性。
引言
城市交通系统由大量的异构驾驶员、局部交互单元和宏观交通流模式组成，因此可以被视为典型的高维、非线性和强耦合复杂系统[1]。它们的运行和演化表现出明显的多尺度动态特性。在微观尺度上，车辆跟随、变道、加速和减速行为决定了局部扰动的产生及其初始传播模式[2]。在介观尺度上，车辆之间的局部相互作用通过自组织形成动态演化的功能子群，这些子群进一步构成介观耦合网络，并影响扰动在不同空间和结构层面的传播和演化[3]。在宏观尺度上，交通密度、速度和流量之间的相互作用控制着典型的交通相变过程，包括自由流、同步流和拥堵流[4]。这些尺度之间有很强的耦合。局部扰动可以通过介观结构传播并被放大，从而影响宏观交通状态。同时，宏观状态的变化也可能反馈到个体驾驶行为[5]。因此，交通系统可以被视为一个由跨尺度相互作用驱动的动态系统。
近年来，深度学习方法在交通预测任务上取得了显著进展[6]。循环神经网络、卷积神经网络、时空图神经网络和注意力机制在模拟时空依赖性方面表现出强大的能力。然而，大多数现有方法主要依赖于统计相关性学习，缺乏对交通系统跨尺度因果结构和演化机制的明确定义[7]。尽管多尺度时间建模和注意力机制在一定程度上提高了预测模型对非稳态交通模式的适应性，但它们本质上仍然基于相关性驱动的范式，因此在描述扰动如何在不同尺度上传播和放大方面能力有限。介观尺度作为微观扰动和宏观相变之间的关键桥梁，但在现有预测框架中尚未得到充分建模。尽管如此，相关研究已经表明，介观结构在扰动传播、结构耦合和相变形成中起着关键作用[8]。
为了解决这些限制，本文提出了MMC-CP，一种基于多尺度因果涌现的交通预测方法。MMC-CP代表多尺度机制因果预测。该方法建立了涵盖微观、介观和宏观三个尺度的统一建模框架，分别用于描述扰动生成、传播过程和相变动态。进一步引入了一种由跨尺度因果状态驱动的动态门控机制，以实现多尺度信息的自适应融合。本文的主要贡献总结如下：
- (1)
提出了一种受因果涌现理论启发的多尺度交通预测框架，将微观扰动、介观传播和宏观相变整合到一个统一的预测系统中。
- (2)
构建了一组可计算的跨尺度观测指标，包括微观扰动强度、基于介观传递熵的有向预测耦合结构、跨尺度变化增益ΔΦ和跨尺度复杂性差异EC。
- (3)
进一步引入了一种由跨尺度状态指标驱动的动态门控机制，以实现多尺度信息的自适应融合。
在highD和PeMS08数据集上验证了所提模型在非稳态和突然变化交通场景下的预测优势和可解释性。
本文的其余部分组织如下。第2节回顾了交通速度预测的相关研究。第3节介绍了受多尺度因果涌现理论启发的MMC-CP方法，重点讨论了微观扰动生成、介观扰动传播、宏观相变演化和跨尺度自适应融合机制。第4节介绍了实验设计和验证。第5节总结了本文。
章节片段
相关工作
交通预测是智能交通系统的核心任务之一，长期以来受到了交通工程、复杂系统科学和人工智能领域的广泛关注。现有研究大致可以分为三类：数据驱动的时空预测模型、交通系统的多尺度机理建模方法，以及与因果学习和因果涌现相关的研究。
方法论
为了描述交通系统中扰动生成、扰动传播和相变演化之间的跨尺度关系，本文提出了一种受因果涌现理论启发的多尺度交通预测框架，命名为MMC-CP。MMC-CP代表多尺度机制因果预测。该框架利用观测到的交通数据来描述有向信息依赖性和跨尺度变化模式。如图1所示，该框架包括
实验设计与验证（实验）
为了评估MMC-CP的跨尺度表示和动态融合能力，从两个角度进行了实验：机制有效性验证和预测场景验证。
结论
为了解决交通系统的特征，包括强多尺度耦合、非稳态状态演化和频繁的突然变化，本文提出了一种受因果涌现理论启发的交通速度预测方法MMC-CP，并在highD和PeMS08数据集上对其进行了验证。主要结论如下：
- (1)
微观层：基于车辆状态变量的变化定义了微观扰动强度，惯性域稳定性指数HSI为
资助
本工作得到了四川省科学技术计划（项目编号2026YFHZ0193）和中国国家自然科学基金（项目编号52472314和71971116）的支持。
CRediT作者贡献声明
王天颖：验证、软件、形式分析。余雄杰：可视化、形式分析、数据管理。张伟斌：监督、资源获取、概念化。王晓：撰写——初稿、可视化、方法论、概念化。
王晓|张伟斌|余雄杰|王天颖
