Yuting Huang Ziquan Fang Zhihao Zeng Lu Chen Yunjun Gao

摘要

时空预测在智能交通、天气预报和城市规划等领域中发挥着至关重要的作用。尽管融合多模态数据在提升预测精度方面展现出巨大潜力，但仍面临三大关键挑战：（i）多模态信息融合不足；（ii）混杂因素干扰导致因果关系难以辨识；（iii）预测模型计算复杂度高。为应对这些挑战，我们提出E²-CSTP——一种高效且有效的多模态时空预测框架。E²-CSTP通过引入跨模态注意力机制与门控机制，实现对多模态数据的有效融合。在此基础上，我们设计了一种双分支因果推断方法：主分支专注于时空预测任务，而辅助分支通过建模额外模态并施加因果干预，以缓解偏差，揭示真实的因果依赖关系。为提升模型效率，我们结合图卷积网络（GCN）与Mamba架构，实现加速的时空特征编码。在4个真实世界数据集上的大量实验表明，E²-CSTP显著优于9种当前最先进的方法，在预测精度上最高提升达9.66%，同时计算开销降低17.37%至56.11%。