迈向稳健轨迹表示：用因果学习分离环境混淆因素
内容提要
本文提出了一种新的学习框架，旨在解决模式预测中的分布偏移和知识转移问题。通过不同损失函数处理潜在变量，显著提升动态模式预测模型的性能。同时，研究探讨了因果图在轨迹预测中的应用，提出了空间-时间联合表示学习方法，增强了对人类移动数据的理解和预测准确性。
延伸解读
因果学习如何应对轨迹预测中的分布偏移
文章指出，轨迹预测模型常因环境混淆因素导致分布偏移，影响泛化能力。通过构建因果图，分析历史轨迹、未来轨迹与环境交互的关系，并进行反事实干预，可减轻环境偏差的负面影响。这种方法在公共行人轨迹预测基准测试中取得了最佳结果，表明因果干预能有效提升模型在变化环境下的稳健性。
空间-时间联合表示学习提升移动预测
研究提出的ST-GraphRL方法，将可学习的空间-时间依赖性编码到轨迹表示中。在三个真实世界人类移动数据集上，该方法在预测移动空间-时间分布和保持轨迹相似性方面优于所有基准模型，并能理解潜在空间-时间模式。这为地理空间数据表示和GeoFMs开发提供了可迁移的思路。
CSLSL模型：隐式建模出行决策
CSLSL模型通过空间约束和多任务学习，引入时间、活动和位置之间的因果关系，隐式建模个体出行决策。在下一个地点预测中，该模型显示出传递不变性和群体一致性，提高了预测准确度。这表明结合因果结构和空间约束能更好地捕捉人类移动的复杂决策过程。
Q&A
新的学习框架是如何解决模式预测中的分布偏移问题的？
该框架通过不同的损失函数处理不变变量、样式混淆变量和虚假特征，显著提升了动态模式预测模型的性能。
因果图在轨迹预测中有什么应用？
因果图用于分析历史轨迹与未来轨迹及环境的交互关系，并进行反事实干预以减轻环境偏差的影响。
空间-时间联合表示学习方法的优势是什么？
该方法在预测移动空间-时间分布和保持轨迹相似性方面优于所有基准模型，并能理解潜在的空间-时间模式。
CSLSL模型的主要功能是什么？
CSLSL模型隐式建模个体出行决策，并通过引入时间、活动和位置之间的因果关系提高预测准确度。
如何评估地理空间上下文信息对交通方式检测的贡献？
通过使用随机森林模型和SHAP方法，评估基础设施网络相关特征对模型预测的显著影响。
在自动驾驶中，如何提高未来轨迹的预测准确性？
通过在原型对比学习框架中纳入更丰富的动态信息，并在大规模自然数据集上进行实证评估。
