基于因果干预与动态图学习的交通事故风险预测OA

针对城市交通事故风险预测中存在的泛化能力差、时空相关性建模不足的问题,提出一种基于因果干预与动态图学习的交通事故风险预测网络。该网络在编码器-解码器框架中,设计了输入门模块以融合多周期事故信号与外部协变量;提出动态图学习模块,通过通道注意力机制自适应刻画节点间时变的空间依赖;并结合图卷积与门控循环单元联合建模时空演化规律。为进一步提升预测稳定性,引入转移桥模块,将历史时空状态映射至未来状态,以缓解多步预测中的误差累积问题;同时,采用基于前门准则的因果干预机制,从特征层面切断混杂因子路径,增强模型的鲁棒性与可迁移性。在NYC和Chicago两个公开数据集上的实验结果表明,CIDGNet在均方根误差、召回率和平均精度均值3项指标上均优于4个基线模型。消融实验进一步验证了动态图、输入门、转移桥等关键模块对性能提升的贡献,证明了因果干预与动态图学习在复杂时空预测任务中的有效性。