MSCT: Addressing Time-Varying Confounding with Marginal Structural Causal Transformer for Counterfactual Post-Crash Traffic Prediction

交通事故严重影响交通效率并带来经济挑战。准确预测事故后的交通状况为评估交通干扰和制定有效解决方案提供了必要信息。先前的研究已经建立了一系列深度学习模型来预测事故后的交通状况，但是这些基于相关性的方法无法适应时间变化的混淆因素和事故的异质效应所带来的偏差。事故后交通预测模型需要估计在各种条件下对假想事故的反事实交通速度响应，这表明了理解交通因素之间因果关系的必要性。因此，本文提出了边缘结构因果变换器（MSCT），这是一种针对反事实事故后交通预测的新型深度学习模型。为了解决时间变化混淆偏差的问题，MSCT采用了边缘结构模型所启发的结构，并引入了平衡损失函数来促进学习不变的因果特征。所提出的模型具有治疗感知性，特别关注理解和预测在假想事故干预策略下的交通速度。在缺乏基准数据的情况下，提出了一种合成数据生成过程来模拟交通速度、事故和协变量之间的因果机制。该模型使用合成和真实数据进行验证，表明MSCT在多步预测性能方面优于最先进的模型。本研究还系统地分析了时间变化混淆偏差和数据集分布对模型性能的影响，为智能交通系统的反事实预测提供了有价值的见解。

本论文旨在解决交通事故对交通效率和经济造成的影响，提出了一种新的深度学习模型用于预测事故后的交通状态。

论文提出了Marginal Structural Causal Transformer (MSCT)模型，结合Marginal Structural Models的结构和平衡损失函数，解决了时间变化混淆偏差的问题，用于反事实的交通预测。

论文提出了一种合成数据生成过程来模拟交通速度、事故和协变量之间的因果机制。实验结果表明，MSCT在多步预测性能方面优于现有模型。

相关研究包括基于深度学习的交通预测模型，以及因果推断在交通领域中的应用。