ICST-DNET: An Interpretable Causal Spatio-Temporal Diffusion Network for Traffic Speed Prediction

交通速度预测对于智能导航和缓解拥堵至关重要。然而，由于三个因素，进行准确预测是具有挑战性的：1）交通扩散，即多个相邻道路的交通状况之间存在的空间和时间因果关系；2）交通数据具有复杂的时空相关性，难以解释；3）交通速度波动的潜在模式随时间变化，例如早晚高峰。考虑到这些因素，本文提出了一种新的交通速度预测架构，称为可解释因果时空扩散网络（ICST-DNET）。具体而言，ICST-DENT由三个部分组成，即时空因果学习（STCL）、因果图生成（CGG）和速度波动模式识别（SFPR）模块。首先，为了对道路网络内的交通扩散进行建模，提出了一个STCL模块，以捕捉每个单独道路上的时间因果关系和每个道路对中的空间因果关系。然后，基于STCL开发了CGG模块，以从时间和空间角度增强交通扩散过程的可解释性。具体而言，生成一个时间因果矩阵来解释每个道路的历史和未来交通状况之间的时间因果关系。对于空间因果性，我们利用因果图来可视化道路对中的扩散过程。最后，为了适应不同场景中的交通速度波动，设计了个性化的SFPR模块，以选择具有强影响力的历史时间步长，学习交通速度波动的模式。广泛的实验结果证明，ICST-DNET可以胜过所有现有的基线模型，证明了其更高的预测准确性、因果解释能力和对不同场景的适应性。

本论文旨在解决交通速度预测中的三个挑战：交通扩散、数据复杂性和交通速度波动的潜在模式。这是否是一个新问题？

论文提出了一种新的交通速度预测框架，名为ICST-DNET，它包含三个模块：STCL、CGG和SFPR。这些模块可以联合解决交通扩散、数据复杂性和交通速度波动的问题。相比当前领域的研究，这篇论文的思路有什么新意？

论文使用了大量的实验来证明ICST-DNET的有效性，并与现有的基线模型进行了比较。ICST-DNET不仅具有更高的预测准确性，而且能够解释因果关系，并且适应不同的交通速度波动模式。此外，论文还提供了数据集和开源代码，以供其他研究者使用。值得进一步深入研究。

最近的相关研究包括：《A Spatio-Temporal Graph Convolutional Neural Network for Traffic Forecasting》、《Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction》等。