Краткое содержание

arXiv:2511.12769v1 Тип объявления: cross Аннотация: Хотя пространственно-временные графовые нейронные сети (GNN) превосходно моделируют повторяющиеся дорожные паттерны, их надежность резко падает во время нерегулярных событий, таких как аварии. Это происходит потому, что GNN по своей сути являются корреляционными моделями, изучающими исторические паттерны, которые теряют силу под воздействием новых причинно-следственных факторов, возникающих во время нарушений. Для решения этой проблемы мы предлагаем фреймворк Event-CausNet, который использует большую языковую модель для количественной оценки неструктурированных отчетов о событиях, строит базу причинно-следственных знаний путем оценки средних эффектов воздействия и внедряет эти знания в двухпотоковую сеть GNN-LSTM с помощью нового механизма причинно-следственного внимания для корректировки и улучшения прогноза. Эксперименты на реальном наборе данных демонстрируют, что Event-CausNet обеспечивает устойчивую производительность, снижая ошибку прогнозирования (MAE) до 35,87% и значительно превосходя современные базовые модели. Наш фреймворк заполняет пробел между корреляционными моделями