Yuting Huang Ziquan Fang Zhihao Zeng Lu Chen Yunjun Gao

要約

時空間予測は、スマート交通、気象予測、都市計画において重要な役割を果たしている。多モーダルデータの統合により予測精度の向上が期待されているが、依然として以下の課題が残っている：(i) 多モーダル情報の不十分な統合、(ii) 要因の混同により因果関係が不明瞭になること、(iii) 予測モデルの計算複雑性の高さ。これらの課題に対処するため、本研究では、効果的かつ効率的な因果関係を考慮した多モーダル時空間予測フレームワーク「E²-CSTP」を提案する。E²-CSTPは、クロスモーダルアテンションとゲーティング機構を活用して、多モーダルデータを効果的に統合する。さらに、二重枝構造の因果推論アプローチを設計した。主枝は時空間予測に注力する一方、補助枝は追加のモーダルデータをモデル化し、因果介入を適用することでバイアスを低減し、真の因果関係を明らかにする。モデルの効率性を向上させるために、GCN（グラフ畳み込みネットワーク）とMambaアーキテクチャを統合し、時空間表現の高速化を実現した。4つの実世界データセットを用いた広範な実験により、E²-CSTPは9つの最先端手法を大きく上回り、精度において最大9.66%の向上を達成するとともに、計算負荷を17.37%～56.11%まで削減することが確認された。