Résumé Technique : CausalPOI

Définition du Problème

L'article introduit un nouveau problème de recherche nommé Prévision de l'affluence des POI en démarrage à froid (Cold-Start POI Check-in Forecasting). Contrairement aux tâches traditionnelles de prévision urbaine qui reposent sur des données historiques ou des flux régionaux agrégés, ce problème se concentre sur la prédiction des futurs modèles d'affluence d'un nouveau Point d'Intérêt (POI) qui ne possède aucune observation comportementale préalable.

Le défi central réside dans la modélisation de l'évolution temporelle et des interactions fonctionnelles d'un nouveau POI au sein d'un contexte spatial urbain structuré. L'objectif est double :

1. Prévision : Prédire la séquence hebdomadaire d'affluences ($\hat{p}.c$) pour le nouveau POI sur un horizon de $W$ semaines.
2. Estimation Causale : Estimer l'Effet de Traitement Individuel (ITE - Individual Treatment Effect) de l'introduction du nouveau POI. Cela implique de comparer le résultat factuel (avec le POI présent) par rapport à un résultat contrefactuel (où le POI est absent) afin de comprendre l'impact causal de l'intervention sur l'écosystème urbain local.

Les méthodes existantes échouent souvent ici car elles reposent sur des graphes de proximité qui ignorent les dépendances fonctionnelles sémantiques (par exemple, la compétition versus la complémentarité) et manquent de mécanismes pour simuler des scénarios contrefactuels dans des domaines spatiaux structurés.

Méthodologie : CausalPOI

Les auteurs proposent CausalPOI, un cadre d'apprentissage de représentation causale basé sur des graphes spatio-temporels. L'architecture se compose de deux modules principaux conçus pour gérer la nature de "démarrage à froid" du problème et le besoin d'inférence causale.

1. Module de Graphe d'Interaction Fonctionnelle Spatio-Temporelle (ST-FIG)

Ce module construit un graphe dynamique pour capturer les relations évolutives entre le POI cible et ses voisins.

• Construction du Graphe : Pour un nouveau POI $p$, un voisinage à 1 saut $N$ est défini sur la base de la proximité géographique (distance Haversine $\le$ 1000m).
• Représentation des Nœuds : Les nœuds sont initialisés avec des plongements (embeddings) textuels dérivés des étiquettes (tags) du POI via un encodeur BERT pré-entraîné.
• Pondération des Arêtes : Les arêtes sont pondérées par une combinaison de décroissance spatiale et de force d'interaction fonctionnelle ($\alpha(p,n)$).
  • La force fonctionnelle est apprise via un pré-entraînement contrastif (perte InfoNCE). Les POI fonctionnellement compétitifs (catégories similaires) sont traités comme des paires positives, tandis que les POI complémentaires sont des paires négatives. Cela permet au modèle de distinguer les effets de suppression compétitive des effets de renforcement complémentaire.
  • La formule du poids de l'arête combine la décroissance de la distance spatiale avec le score de similitude fonctionnelle appris.
• Dynamique Temporelle : Le graphe est construit pour chaque semaine, mettant à jour l'ensemble des nœuds pour n'inclure que les POI actifs, capturant ainsi les contextes de voisinage variables dans le temps.

2. Module d'Inférence Causale

Ce module modélise explicitement le scénario contrefactuel pour estimer l'ITE.

• Graphes de Traitement et de Contrôle : Pour chaque nouveau POI, le cadre construit une paire de graphes structurellement alignés :
  • Graphe de Traitement ($G^{(1)}$) : Le ST-FIG standard avec la représentation sémantique du POI cible active.
  • Graphe de Contrôle ($G^{(0)}$) : Partage exactement la même topologie mais remplace l'embedding du POI cible par un vecteur nul. Cela simule l'absence de l'influence fonctionnelle du POI tout en préservant la structure spatiale, évitant ainsi les problèmes de désalignement structurel associés à la suppression physique des nœuds.
• Extraction de Caractéristiques : Un encodeur GATv2 partagé traite les deux graphes pour générer des embeddings de nœuds, incorporant des encodages de position sinusoïdaux pour les coordonnées géographiques. Un GRU modélise ensuite l'évolution temporelle de ces embeddings sur $W$ semaines.
• Tête de Prédiction : Le modèle utilise des décodeurs sensibles au traitement pour générer deux prédictions parallèles : $\hat{y}_1$ (factuel) et $\hat{y}_0$ (contrefactuel). La différence entre ces sorties représente l'ITE estimé.
• Objectif d'Entraînement : Le modèle est entraîné à l'aide d'une fonction de perte temporellement étendue qui combine :
  • Perte de Prédiction : Erreur Quadratique Moyenne (MSE) entre les volumes d'affluence prédits et réels (pour le scénario factuel).
  • Perte de Propension : Perte d'entropie croisée pour estimer le score de propension au traitement basé sur les covariables pré-traitement, assurant une estimation non biaisée en équilibrant les représentations de traitement et de contrôle.

Principales Contributions

L'article présente trois contributions majeures :

1. Définition du Problème : La formalisation de la Prévision de l'affluence des POI en démarrage à froid, comblant le fossé dans la prédiction de l'activité pour les nouveaux POI sans données historiques, un besoin critique pour l'urbanisme et la prise de décision commerciale.
2. Proposition de Cadre : L'introduction de CausalPOI, le premier cadre intégrant systématiquement l'estimation causale au niveau du POI. Il intègre de manière unique :
   • Un Graphe d'Interaction Fonctionnelle Spatio-Temporelle qui révèle les relations latentes de compétition et de complémentarité au-delà de la simple distance.
   • Un Module d'Inférence Causale qui simule les résultats factuels et contrefactuels via des graphes structurellement alignés pour estimer l'ITE.
3. Validation Empirique : Des expériences approfondies sur des jeux de données réels de SafeGraph (couvrant quatre régions des États-Unis) démontrent que CausalPOI surpasse significativement les bases de référence de l'état de l'art, incluant les modèles GNN de séries temporelles, les modèles statistiques, les approches basées sur les LLM et d'autres modèles causaux.

Résultats Expérimentaux

Les auteurs ont évalué CausalPOI sur quatre régions des États-Unis (Nord-Est, Midwest, Sud, Ouest) en utilisant des données de septembre 2018 à janvier 2020.

• Performance : CausalPOI a obtenu l'erreur quadratique moyenne (RMSE) et l'erreur absolue moyenne (MAE) les plus faibles dans toutes les régions.
  • Sur la région la plus difficile, il a obtenu une réduction allant jusqu'à 57,8 % de la RMSE et 34,3 % de la MAE par rapport à la meilleure base de référence.
• Études d'Ablation : Le retrait de l'un ou l'autre du module ST-FIG ou du module Causal a entraîné une dégradation constante des performances, confirmant que la modélisation sémantique fonctionnelle et le raisonnement contrefactuel sont tous deux essentiels. La perte de propension a également montré un effet stabilisateur.
• Tests de Validité :
  • Vérification de cohérence de l'Uplift : Le modèle a correctement prédit que les POI dans des environnements hautement compétitifs présentent des augmentations relatives (uplifts) plus faibles que ceux dans des contextes moins compétitifs, ce qui est conforme à l'intuition économique urbaine.
  • Tests Placebo : Lorsque les interventions étaient assignées aléatoirement à des POI existants ou décalées dans le temps, l'augmentation estimée chutait considérablement (proche de zéro pour les assignations aléatoires), confirmant que le modèle apprend des effets causaux spécifiques liés aux introductions réelles de nouveaux POI plutôt que des corrélations fallacieuses.

Signification et Revendications

L'article affirme que CausalPOI fournit une base plus interprétable et exploitable pour l'analyse des interventions urbaines. En passant d'une modélisation basée sur la corrélation au raisonnement causal, le cadre permet aux parties prenantes (ex: exploitants commerciaux, urbanistes) de :

• Prédire avec précision la demande pour de nouvelles installations avant leur ouverture.
• Comprendre l'impact causal d'un nouveau POI sur les entreprises environnantes (ex: si une nouvelle salle de sport va cannibaliser ou stimuler le trafic vers les bars à smoothies voisins).
• Prendre des décisions fondées sur les données concernant la sélection de sites et l'allocation de ressources dans des environnements urbains dynamiques.

Les auteurs soulignent que, bien que le cadre atténue l'endogénéité en se conditionnant sur des contextes riches pré-traitement, les effets causaux estimés sont interprétés comme des estimations contrefactuelles localisées plutôt que comme des effets d'intervention totalement randomisés, reconnaissant la nature observationnelle des données.