Resumen:La predicción espacio-temporal urbana en condiciones extremas (por ejemplo, lluvias intensas) es un desafío debido a la rareza y la dinámica de los eventos. Los enfoques existentes basados en datos que incorporan el clima como información auxiliar a menudo se basan en descriptores de grano grueso y carecen de mecanismos dedicados para capturar efectos espacio-temporales de grano fino. Aunque los métodos recientes adoptan técnicas causales para mejorar la generalización fuera de la distribución, normalmente pasan por alto la dinámica temporal o dependen de una estratificación fija de factores de confusión. Para abordar estas limitaciones, proponemos WED-Net (Weather-Effect Disentanglement Network), una arquitectura Transformer de doble rama que separa los patrones de tráfico intrínsecos e inducidos por el clima a través de atención propia y cruzada, mejorada con bancos de memoria y fusionada mediante puertas adaptativas. Para promover aún más el desenredo, introducimos un discriminador que distingue explícitamente las condiciones climáticas. Además, diseñamos una estrategia de aumento de datos causales que perturba las partes no causales y al mismo tiempo preserva las estructuras causales, lo que permite una mejor generalización en escenarios poco comunes. Los experimentos con conjuntos de datos de flujo de taxis de tres ciudades demuestran que WED-Net ofrece un rendimiento sólido en condiciones climáticas extremas, destacando su potencial para respaldar una movilidad más segura, la preparación para desastres y la resiliencia urbana en entornos del mundo real. El código está disponible públicamente en esta URL https.
Publicado originalmente en export.arxiv.org el 1 de febrero de 2026.
Ver fuente original
