Resumo Técnico: CausalPOI

Definição do Problema

O artigo introduz um novo problema de pesquisa denominado Previsão de Check-in de POI de Início a Frio (Cold-Start). Diferente das tarefas tradicionais de previsão urbana que dependem de dados históricos ou fluxos regionais agregados, este problema foca em prever os padrões futuros de check-in de um novo Ponto de Interesse (POI) que possui nenhuma observação comportamental prévia.

O desafio central reside em modelar a evolução temporal e as interações funcionais de um novo POI dentro de um contexto espacial urbano estruturado. O objetivo é duplo:

1. Previsão: Prever a sequência semanal de check-ins ($\hat{p}.c$) para o novo POI ao longo de um horizonte de $W$ semanas.
2. Estimativa Causal: Estimar o Efeito de Tratamento Individual (ITE) da introdução do novo POI. Isso envolve comparar o resultado factual (com o POI presente) contra um resultado contrafactual (onde o POI está ausente) para compreender o impacto causal da intervenção no ecossistema urbano local.

Os métodos existentes frequentemente falham aqui porque dependem de grafos baseados em proximidade que ignoram dependências funcionais semânticas (ex: competição vs. complementaridade) e carecem de mecanismos para simular cenários contrafactuais em domínios espaciais estruturados.

Metodologia: CausalPOI

Os autores propõem o CausalPOI, um framework de aprendizado de representação causal baseado em grafos espaço-temporais. A arquitetura consiste em dois módulos primários projetados para lidar com a natureza de início a frio do problema e a necessidade de inferência causal.

1. Módulo de Grafo de Interação Funcional Espaço-Temporal (ST-FIG)

Este módulo constrói um grafo dinâmico para capturar as relações evolutivas entre o POI alvo e seus vizinhos.

• Construção do Grafo: Para um novo POI $p$, um vizinhança de 1 salto $N$ é definida com base na proximidade geográfica (distância Haversine $\le$ 1000m).
• Representação de Nós: Os nós são inicializados com embeddings textuais derivados de tags de POI usando um codificador BERT pré-treinado.
• Ponderação de Arestas: As arestas são ponderadas por uma combinação de decaimento espacial e força de interação funcional ($\alpha(p,n)$).
  • A força funcional é aprendida via pré-treinamento contrastivo (perda InfoNCE). POIs funcionalmente competitivos (categorias similares) são tratados como pares positivos, enquanto POIs complementares são pares negativos. Isso permite que o modelo distingua entre efeitos de supressão competitiva e de impulsionamento complementar.
  • A fórmula do peso da aresta combina o decaimento da distância espacial com o score de similaridade funcional aprendido.
• Dinâmica Temporal: O grafo é construído para cada semana, atualizando o conjunto de nós para incluir apenas POIs ativos, capturando assim contextos de vizinhança variantes no tempo.

2. Módulo de Inferência Causal

Este módulo modela explicitamente o cenário contrafactual para estimar o ITE.

• Grafos de Tratamento e Controle: Para cada novo POI, o framework constrói um par de grafos estruturalmente alinhados:
  • Grafo de Tratamento ($G^{(1)}$): O ST-FIG padrão com a representação semântica do POI alvo ativa.
  • Grafo de Controle ($G^{(0)}$): Compartilha exatamente a mesma topologia, mas substitui o embedding do POI alvo por um vetor zero. Isso simula a ausência da influência funcional do POI enquanto preserva a estrutura espacial, evitando problemas de incompatibilidade estrutural associados à remoção física de nós.
• Extração de Características: Um codificador GATv2 compartilhado processa ambos os grafos para gerar embeddings de nós, incorporando codificações posicionais sinusoidais para coordenadas geográficas. Um GRU então modela a evolução temporal desses embeddings ao longo de $W$ semanas.
• Cabeça de Predição: O modelo utiliza decoders conscientes do tratamento para gerar duas previsões paralelas: $\hat{y}_1$ (factual) e $\hat{y}_0$ (contrafactual). A diferença entre essas saídas representa o ITE estimado.
• Objetivo de Treinamento: O modelo é treinado usando uma função de perda temporalmente estendida que combina:
  • Perda de Predição: Erro Quadrático Médio (MSE) entre os volumes de check-in previstos e reais (para o cenário factual).
  • Perda de Propensão: Perda de entropia cruzada para estimar o score de propensão do tratamento baseado em covariáveis pré-tratamento, garantindo uma estimativa imparcial ao equilibrar as representações de tratamento e controle.

Principais Contribuições

O artigo delineia três contribuições primárias:

1. Definição do Problema: A formalização da Previsão de Check-in de POI de Início a Frio, abordando a lacuna na previsão de atividade para novos POIs sem dados históricos, uma necessidade crítica para o planejamento urbano e tomada de decisão comercial.
2. Proposta de Framework: A introdução do CausalPOI, o primeiro framework a incorporar sistematicamente a estimativa causal ao nível de POI. Ele integra de forma única:
   • Um Grafo de Interação Funcional Espaço-Temporal que revela relações latentes de competição e complementaridade além da mera distância.
   • Um Módulo de Inferência Causal que simula resultados factuais e contrafactuais através de grafos estruturalmente alinhados para estimar o ITE.
3. Validação Empírica: Experimentos extensos em datasets reais da SafeGraph (abrangendo quatro regiões dos EUA) demonstrando que o CausalPOI supera significativamente os baselines de estado da arte, incluindo GNNs de séries temporais, modelos estatísticos, abordagens baseadas em LLM e outros modelos causais.

Resultados Experimentais

Os autores avaliaram o CausalPOI em quatro regiões dos EUA (Nordeste, Meio-Oeste, Sul, Oeste) usando dados de setembro de 1 de 2018 a janeiro de 2020.

• Desempenho: O CausalPOI alcançou o menor Erro Quadrático Médio (RMSE) e Erro Médio Absoluto (MAE) em todas as regiões.
  • Na região mais desafiadora, alcançou uma redução de até 57,8% no RMSE e uma redução de 34,3% no MAE em comparação com o melhor baseline de desempenho.
• Estudos de Ablação: Remover o módulo ST-FIG ou o Módulo Causal resultou em degradação consistente do desempenho, confirmando que tanto a modelagem semântica funcional quanto o raciocínio contrafactual são essenciais. A perda de propensão também mostrou fornecer um efeito estabilizador.
• Verificações de Validade:
  • Sanidade de Uplift: O modelo previu corretamente que POIs em ambientes altamente competitivos exibem menores uplifts relativos comparados a aqueles em configurações menos competitivas, alinhando-se com a intuição econômica urbana.
  • Testes de Placebo: Quando as intervenções foram atribuídas aleatoriamente a POIs existentes ou deslocadas no tempo, o uplift estimado caiu significativamente (próximo a zero para atribuições aleatórias), confirmando que o modelo aprende efeitos causais específicos ligados às introduções reais de novos POIs, em vez de correlações espúrias.

Significância e Alegações

O artigo afirma que o CausalPOI fornece uma base mais interpretável e acionável para análise de intervenção urbana. Ao ir além da modelagem baseada em correlação para o raciocínio causal, o framework permite que stakeholders (ex: operadores de negócios, planejadores urbanos):

• Prevejam com precisão a demanda para novas instalações antes de sua abertura.
• Compreendam o impacto causal de um novo POI nos negócios circundantes (ex: se uma nova academia irá canibalizar ou impulsionar o tráfego para bares de smoothies próximos).
• Tomem decisões baseadas em dados sobre seleção de locais e alocação de recursos em ambientes urbanos dinâmicos.

Os autores enfatizam que, embora o framework mitigue a endogeneidade ao condicionar em contextos ricos de pré-tratamento, os efeitos causais estimados são interpretados como estimativas contrafactuais localizadas, e não como efeitos de intervenção totalmente randomizados, reconhecendo a natureza observacional dos dados.