論文の概要: CausalPOI: Spatio-Temporal Graph-Based Causal Modeling for Cold-Start POI Check-in Forecasting

• arxiv url: http://arxiv.org/abs/2606.05413v1
• Date: Wed, 03 Jun 2026 20:27:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.390246
• Title: CausalPOI: Spatio-Temporal Graph-Based Causal Modeling for Cold-Start POI Check-in Forecasting
• Title（参考訳）: CausalPOI: コールドスタートPOIチェックイン予測のための時空間グラフに基づく因果モデリング
• Authors: Zhaoqi Zhang, Miao Xie, Yi Li, Linyou Cai, Siqiang Luo, Gao Cong,
• Abstract要約: CausalPOIは、POIチェックイン予測のためのグラフベースの因果表現学習フレームワークである。 実世界のデータセットの実験では、CausalPOIは最先端のベースラインを大幅に上回っている。
• 参考スコア（独自算出の注目度）: 19.276347390011956
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As urban environments continue to evolve rapidly, accurately modeling the dynamic behaviour of Points of Interest is essential for supporting data-driven urban planning and commercial decision-making. While recent advancements in spatio-temporal graph learning have improved POI forecasting, most methods rely on proximity-based graphs and correlation-driven modeling, which overlook the functional dependencies between POIs and fail to capture the causal effects of urban interventions. In this paper, we introduce a novel research problem -- cold-start POI check-in forecasting, which aims to predict the future check-in pattern of a newly introduced POI, by modeling its temporal evolution and functional interactions with nearby POIs in a structured urban spatial context. To address these challenges, we propose CausalPOI, a spatio-temporal graph-based causal representation learning framework. CausalPOI leverages Spatio-Temporal Functional Interaction Graph to model semantic and spatial relationships between POIs, and constructs structurally aligned treatment and control graphs to simulate factual and counterfactual scenarios. Extensive experiments on real-world SafeGraph datasets demonstrate that CausalPOI significantly outperforms state-of-the-art baselines across the board, validating its effectiveness in spatio-temporal forecasting, semantic interaction modeling, and causal effect estimation, providing a more interpretable and actionable foundation for urban intervention analysis. Source code is available at Github.
• Abstract（参考訳）: 都市環境は急速に発展し続けており、データ駆動型都市計画と商業的意思決定を支援するためには、ポイント・オブ・関心の動的な振る舞いを正確にモデル化することが不可欠である。 時空間グラフ学習の最近の進歩はPOI予測を改善しているが、ほとんどの手法は近接グラフと相関モデルに依存しており、POI間の機能的依存関係を見落とし、都市介入による因果的影響を捉えない。 本稿では,新たに導入されたPOIの今後のチェックインパターンを予測することを目的とした,冷間開始型POIチェックイン予測という新たな研究課題を紹介する。 これらの課題に対処するため,時空間グラフに基づく因果表現学習フレームワークCausalPOIを提案する。 CausalPOIは、時空間相互作用グラフを利用して、POI間の意味的および空間的関係をモデル化し、構造的に整列した処理と制御グラフを構築し、事実と反現実のシナリオをシミュレートする。 現実世界のSafeGraphデータセットに関する大規模な実験により、CausalPOIはボード全体の最先端ベースラインを著しく上回り、時空間予測、セマンティックインタラクションモデリング、因果効果推定の有効性を検証し、都市介入分析のより解釈可能で実用的な基盤を提供する。 ソースコードはGithubで入手できる。

関連論文リスト

• Ada-TransGNN: An Air Quality Prediction Model Based On Adaptive Graph Convolutional Networks [7.944991952472549]
  本研究では,グローバルな空間意味と時間的行動を統合するトランスフォーマーに基づくデータ予測手法を提案する。 本モデルは,短期・長期予測において,既存の最先端予測モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-25T10:22:03Z)
• Dynamic Graph Structure Estimation for Learning Multivariate Point Process using Spiking Neural Networks [14.77536193242342]
  Spiking Dynamic Graph Networkは、スパイキングニューラルネットワーク(SNN)とスパイク依存塑性(STD-P)の時間的処理能力を活用する新しいフレームワークである。 イベントデータから直接動的時間的依存関係を学習し、一般化性とモデリングを強化することで、任意のデータセットに適応する。 NYC Taxi、911 Reddit、Stack Overflowなどの合成および実世界のデータセットで行った評価は、計算効率を維持しながら、優れた精度を示している。
  論文  参考訳（メタデータ） (2025-04-01T23:23:10Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• Deciphering Spatio-Temporal Graph Forecasting: A Causal Lens and Treatment [33.4989883914555]
  本研究では,時間的アウト・オブ・ディストリビューション問題と動的空間因果関係に対処するCaSTと呼ばれる新しいフレームワークを提案する。 実世界の3つのデータセットに対する実験結果は、CaSTの有効性と実用性を示している。
  論文  参考訳（メタデータ） (2023-09-23T13:51:09Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
  本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。 EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
  論文  参考訳（メタデータ） (2023-03-22T06:35:08Z)
• Causal Discovery in Physical Systems from Videos [123.79211190669821]
  因果発見は人間の認知の中心にある。 本研究では,ビデオの因果発見の課題を,地層構造を監督せずにエンドツーエンドで検討する。
  論文  参考訳（メタデータ） (2020-07-01T17:29:57Z)
• Joint Geographical and Temporal Modeling based on Matrix Factorization for Point-of-Interest Recommendation [6.346772579930929]
  POI(Point-of-Interest)レコメンデーションは,POIを推奨するユーザの好みやモビリティパターンを学習する重要なタスクとなっている。 従来の研究では、POI勧告を改善するためには、地理的影響や時間的影響などの文脈情報を取り入れることが必要であることが示されている。
  論文  参考訳（メタデータ） (2020-01-24T12:25:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。