超越相关性：面向鲁棒城市交通预测的因果不变性框架

《International Journal of Approximate Reasoning》：Beyond Correlations: A Causal Invariance Framework for Robust Urban Traffic Prediction

　　

**论文摘要**

- 提出了一种分层不确定性框架，将 Dempster-Shafer 信念理论与变分推断相结合，以在不完全观测下实现鲁棒的交通预测。
- 开发了一种基于信念理论的解耦机制，用于系统地将不变因果因子与环境特异性变化分离，并量化不确定性。
- 将不变风险最小化（IRM）重新表述为针对因果机制的近似贝叶斯推断，以处理时空回归中的分布不确定性。
- 建立了结合 Wasserstein 距离和保形预测理论的理论泛化界，用于分布偏移下的不确定性感知预测。

## 引言

现代智能交通系统严重依赖于准确的交通预测来执行关键运营功能，包括自适应信号配时、动态路径引导和事件响应协调。这些预测能力在各个交通领域都至关重要，从城市交通管理到空中交通控制系统[1]、[2]。然而，当前的预测模型面临一个根本性的工程挑战：当运营环境从训练条件（例如工作日通勤模式）转变为未见场景（例如周末交通、节假日活动或紧急疏散）时，如何维持预测可靠性。这种分布外（OOD）脆弱性表现为显著的性能退化——通常为30-42%的准确率损失——直接损害了系统在现实世界部署中的有效性[3]。

尽管深度学习在时空建模[4]、[5]、[6]、[7]和时间序列预测[8]方面推动了显著进展，但许多最先进的模型主要作为精密的模式识别器运行。这种对独立同分布（i.i.d.）数据假设的依赖，使其在面对动态城市环境中固有的分布偏移时，性能会大幅退化。这些故障转化为具体的运营问题：在非例常时期交通信号优化失效、次优的路径推荐加剧拥堵，以及在预测准确率最为关键时应急响应系统不可靠。

为了应对这些工程挑战，越来越多的研究试图通过捕获特征与目标之间的不变关系来实现 OOD 泛化。因果推断中的基础性工作确立了跨环境的不变预测原则[9]，该原则后来被扩展到领域适应[10]、[11]，并最近通过不变风险最小化[12]进行了形式化。尽管取得了这些进展，但大多数现有方法聚焦于计算机视觉等领域中的协变量偏移或静态图。时空（ST）数据的独特挑战——其特征为在空间和时间两个维度上具有动态观测的涌现结构——在很大程度上仍未得到探索[13]。与静态数据相比，ST 数据的分布本质上是更非平稳的，因为它们持续受到城市增长、基础设施变化和季节性效应等因素的影响[14]。因此，协变量偏移是运营系统中鲁棒、可靠城市交通预测的主要障碍。

主流的时空预测方法主要基于图神经网络（GNN），如 STGCN[5]、DCRNN[4]和 Graph WaveNet[6]，这些方法显著提高了预测精度，但很大程度上忽视了 OOD 泛化。当面临城市内分布偏移时，这些模型表现出关键局限性：(1) 使用工作日数据训练的模型通常无法泛化到周末或节假日交通模式。(2) 它们对预定义的静态图结构的依赖阻碍了对交通流中固有动态功能关系的适应。(3) 它们学到的复杂相关性往往是虚假的且与环境相关的，因此无法发现潜在的因果机制。

现有的 OOD 方法在很大程度上不适用于 ST 数据的复杂性。例如，基于图的因果学习通常将局部图拓扑视为环境，因此无法建模不变的时间动态[15]。相反，时间序列 OOD 方法可以建模时间偏移，但忽视了空间不变性[16]。虽然不变风险最小化（IRM）[12]提供了理论上的框架，但最近的研究揭示了其显著的实践局限性，包括优化不稳定、对超参数敏感、在有限样本条件下失效以及在复杂非线性回归任务中表现不佳[17]。直接将此类框架应用于高维时空数据仍然具有挑战性，因为它们难以确定哪些关系是真正不变的[18]。

我们提出，对于时空 OOD 学习，不同的时间上下文（例如早高峰、午间平峰）必须被视为不同的环境。因此，泛化取决于发现跨这些环境持续存在的不变时空关系。然而，实现这一目标面临两个关键挑战：(1) **环境特异性相关性纠缠**：观察到的交通模式将稳定的因果规律（例如流量物理学）与环境特异性的虚假相关性（例如通勤驱动的拥堵）混淆在一起，使其解耦成为一项艰巨的挑战[19]。(2) **动态功能依赖**：位置之间的功能依赖本质上是动态的，随着实时交通状况而变化。静态图无法建模这种不断变化的现实，从而阻碍了对真正潜在不变性的发现[20]。

图1展示了这些异质性挑战，并介绍了我们通过一致的时间动态发现因果关系的核心原理。

我们的方法基于以下工程洞察：虽然原始交通观测波动剧烈，但潜在的因果机制（例如上游流量如何影响下游拥堵[21]）在多种运营环境中保持稳定的、可量化的结构。为了在实用部署中利用这一原理，我们提出了**具有不变关联的因果感知时空图神经网络（CAST-GNN）**，这是一个统一框架，专为现实世界系统中的鲁棒交通预测而设计。该框架通过三个创新技术组件代表了方法论的重大进步：

(1) **基于信息论的解耦编码器**：我们开发了一种新颖的编码器架构，能够自动将交通观测分离为不变因果因子（捕获稳定的流量物理特性）和环境特异性变化（建模上下文依赖模式）。这代表了对现有特征提取方法的根本性改进，后者将稳定机制与虚假相关性混淆。

(2) **自适应关联学习模块**：与静态图方法不同，我们的框架学习适应实时交通条件的动态路网连接模式。这一创新使系统能够捕获固定拓扑表示无法看到的演变功能依赖，为预测提供更准确的结构基础。

(3) **具有自适应不变风险最小化的因果感知预测器**：我们将经典 IRM 理论扩展到时空回归任务，确保学习到的预测函数在多种运营环境中保持稳定。这一技术进步为关键系统转换期间的预测可靠性提供了理论保证。

总之，CAST-GNN 超越了简单的模式识别，通过因果不变性和自适应演变的双重视角，提供了一个原则性的框架来预测城市交通动态。该框架专门针对具有挑战性的城市内 OOD 场景，要求模型从常见的日常模式泛化到周末和节假日等未见条件。

**(1)** 据我们所知，我们引入了第一个系统性地将信息论解耦、自适应关联学习和因果不变性（通过 IRM）相结合用于城市内分布偏移下鲁棒时空交通预测的框架。

**(2)** 我们提出了一种新颖的机制，从实时交通状态中学习自适应图结构。这将图定义从静态问题转变为动态学习任务，从而促进发现被固定拓扑所掩盖的不变功能关系。

**(3)** 我们引入了一种原则性的信息论方法来显式地将不变因果特征与环境特异性噪声解耦。这确保了学习到的表示既具有预测性又具有鲁棒性，迫使模型依赖稳定机制而非虚假相关性。

## 章节片段

### 时空图神经网络及其处理不确定性的局限性

时空图神经网络（ST-GNNs）是现代交通预测的基础。早期模型如 DCRNN[4]和 STGCN[5]开创了图卷积与循环或门控机制的集成。然而，这些方法的一个主要局限在于它们对预定义静态图的依赖。这施加了一个僵硬的且往往不现实的固定关系结构假设，从而忽视了动态交通系统中固有的结构不确定性。

### 概述与路线图

为了应对城市交通预测中分布外（OOD）泛化的挑战，CAST-GNN 运作于一个基本原理之上：虽然表层交通模式在不同场景下波动剧烈（工作日与周末、晴天与雨天），但控制交通流的潜在物理规律保持不变。这一观察激发了我们的三模块架构（图2），旨在将稳定的因果机制与短暂的环境变化分离。

### 实验

本节对我们提出的模型 CAST-GNN 进行了全面的实证评估。评估旨在回答三个关键研究问题（RQs）：

**RQ1**: CAST-GNN 在标准分布内预测场景中与前导方法的比较如何？

**RQ2**: CAST-GNN 从工作日交通泛化到未见过的周末和节假日场景有多有效，展现其对城市内 OOD 偏移的鲁棒性？

**RQ3**: 框架各组件的个体贡献是什么？

### 结论

本研究通过开发一个在多种运营环境中保持可靠性的鲁棒交通预测框架，解决了智能交通系统中的一个关键工程挑战。提出的 CAST-GNN 结合了因果推理、信息论解耦和动态图学习，在严重分布偏移下仅出现12-13%的退化，相比之下传统方法为30-42%。这一改进...

### CRediT 作者贡献声明

Jieling Wu：撰写 – 初稿、可视化、验证、方法论、形式化分析、数据整理、概念化。Siwei Wei：验证、监督、资源、项目管理、资金获取、概念化。Zhilin Zhang：可视化、验证、方法论、调查、概念化。Feifei Wei：资源、项目管理、调查、资金获取。Chunzhi Wang：监督、资源、项目管理、资金获取。

### 利益冲突声明

作者声明他们没有已知的竞争性经济利益或个人关系，这些关系可能影响本文报告的工作。

Jieling Wu | Siwei Wei | Zhilin Zhang | Feifei Wei | Chunzhi Wang