Event-CausNet: Kausales Wissen aus Texten für zuverlässige Verkehrsprognosen

Ein brandneues Forschungsprojekt namens Event-CausNet nutzt große Sprachmodelle, um aus unstrukturierten Ereignisberichten kausale Erkenntnisse zu gewinnen und damit die Genauigkeit von Verkehrsprognosen drastisch zu erhöhen.

Traditionelle Graph-Neuronale-Netze (GNNs) sind hervorragend darin, wiederkehrende Verkehrsabläufe zu modellieren. Sie versagen jedoch bei unerwarteten Ereignissen wie Unfällen, weil sie ausschließlich auf historischen Korrelationen basieren und die neuen kausalen Faktoren, die solche Störungen verursachen, nicht berücksichtigen.

Event-CausNet löst dieses Problem, indem es ein Large Language Model einsetzt, um Ereignisberichte zu quantifizieren, ein kausales Wissensdatenbank aufzubauen und durchschnittliche Behandlungseffekte zu schätzen. Dieses Wissen wird anschließend in ein duales GNN‑LSTM‑Netzwerk eingespeist, das über einen innovativen kausalen Aufmerksamkeitsmechanismus verfügt, um die Vorhersagen dynamisch anzupassen und zu verbessern.

In realen Tests konnte das System die mittlere absolute Fehlerquote (MAE) um bis zu 35,87 % senken und damit die führenden Baselines deutlich übertreffen. Durch die Kombination von korrelativen Modellen mit kausaler Logik bietet Event-CausNet nicht nur höhere Genauigkeit und Übertragbarkeit, sondern auch wertvolle Interpretierbarkeit – ein entscheidender Fortschritt für die Verkehrssteuerung in kritischen Situationen.