Event-CausNet: Unlocking Causal Knowledge from Text with Large Language Models for Reliable Spati...

一、文章主要内容总结

本文针对时空图神经网络（GNNs）在交通事故、极端天气等非周期性事件中预测可靠性大幅下降的问题，提出了Event-CausNet框架，核心是将因果推理与大语言模型（LLMs）、时空预测模型结合，提升事件驱动场景下交通预测的准确性、鲁棒性和可解释性。

核心背景与问题

• GNNs等传统模型依赖“未来模式与历史相似”的假设，擅长捕捉周期性交通模式（如早晚高峰），但在非周期性事件中，事件引入的新因果因素会使历史关联模式失效，且事件信息常嵌入非结构化文本，传统模型无法解析。
• 现有LLMs虽能处理非结构化文本，但缺乏将定性因果洞察转化为定量预测先验的有效方法。

框架核心流程

1. LLM驱动的事件特征工程：通过两阶段LLM提示策略，将非结构化事件文本（如事故报告）转化为结构化属性（事件时间、类型、位置）和量化指标（严重程度、危险等级、持续时间等）。
2. 离线因果知识库（CKB）构建：采用倾向得分匹配（PSM）方法，在控制混淆变量的前提下，估计不同事件类型（如事故、施工）在不同时段的平均处理效应（ATE），形成可查询的定量因果先验库。
3. 在线因果增强预测网络（CPN）：实时查询CKB获取基础因果效应，结合实时事件属性（如严重程度）和时间衰减动态调整因果特征，通过因果感知注意力机制将其与时空特征融合，最终分解为“基准趋势预测”和“因果调整量”两部分输出。