近日，北京大学智能计算与感知实验室硕士研究生张宇航同学作为第一作者投稿的论文“TRACER: Physics-Guided Causal Evidence Construction for Zero-Shot Traffic Anomaly Diagnosis”被KDD 2026录用。该论文的指导老师为马萌副研究员与王平教授。

现代城市交通网络中由交通事故、信号灯故障等引起的非突发性拥堵，严重影响了城市出行效率与韧性，使得异常根因诊断变得至关重要。传统的深度学习方法在面对复杂的交通图网络时，往往会产生空间平滑效应，难以区分故障源与受波及的下游节点；而因果发现算法与大语言模型（LLM）则分别面临着计算复杂度过高、缺乏交通物理规律保证以及容易产生“空间幻觉”等瓶颈，难以在路网中实现快速且精准的物理根因定位。

针对这一挑战，我们提出了一种无需训练的零样本交通异常溯源创新框架TRACER（Traffic Root Anomaly Causal Evidence Reasoner）。如图一所示，TRACER采用三阶段设计：首先，通过影响加权异常感知过滤低优先级噪声，聚焦关键严重拥堵；其次，通过物理驱动的证据构建机制，将运动学冲击波追踪与统计学验证相结合，分离出符合物理与统计双重逻辑的因果传播链条；最后，通过并行推理与共识融合架构，解耦复杂的全局推理。大语言模型被用于评估证据链条并执行切分，聚合平行诊断结果，从而锁定拥堵物理根因并生成可操作的恢复建议。

 图一 TRACER零样本交通异常诊断框架概览

 TRACER在基于SUMO开发的高保真闭环仿真平台（TRACER-Bench）和真实世界大规模公开数据集PeMS-BAY上进行了广泛验证。实验结果表明，TRACER在Hit@1准确率上显著优于CUTS+、Granger-Agent等现有最先进的神经与智能体方法，实现了32.6%的相对提升，并将推理时间大幅缩短了85.7%。此外，TRACER通过对交通流速度差分布的物理溯源可视化（如图二所示），能够清晰地跨越长距离路网解耦拥堵传播路径，并通过闭环仿真证实了其生成的诊断干预能够显著加速交通恢复，为交通管理人员提供了直观、可操作的决策解释。

  图二 TRACER在PeMS-BAY数据集上的多尺度诊断验证与速度差分布分析

 ACM SIGKDD（International Conference on Knowledge Discovery and Data Mining）是数据挖掘与知识发现领域的国际顶级会议，也是中国计算机学会（CCF）推荐的A类会议，享有极高的学术声誉。KDD 2026将于2026年8月在韩国济州岛举办。