从微观到宏观：交通动力学中的多尺度因果涌现复杂性分析

准确的交通预测对于现代城市交通系统至关重要。在本文中，我们提出了一种用于交通预测的新型多尺度因果建模框架，利用涌现复杂性（EC 2. 0）分析来揭示交通动力学的层级特征。通过在真实世界数据集（PEMS08、PEMS04、METR-EC）以及 Beijing Freeway & Rural Scenario 数据集上的详细实验，我们证明了空间依赖性在交通模式中的主导地位，同时突显了时间关系的互补作用。我们的方法识别了网络内的关键节点和路径，揭示了易拥堵区域，并为靶向干预提供了信息。此外，我们表明我们的多尺度模型优于现有方法，在所有数据集上均取得了最先进的（state-of-the-art）结果。通过分析因果增益（₂₏）的相变和训练动态，我们为模型的学习过程和因果结构发现提供了可解释的见解。这项工作通过整合因果推理和多尺度建模，推进了交通预测领域的发展，同时兼具高准确性与可解释性。