본 논문은 반복적인 교통 패턴 모델링에 강점을 가진 시공간 그래프 신경망(GNN)의 사고와 같은 비반복적 사건 발생 시 예측 정확도 저하 문제를 해결하고자 한다. 이를 위해, 대규모 언어 모델(LLM)을 활용하여 비정형 사건 보고서를 정량화하고, 평균 치료 효과를 추정하여 인과 관계 지식을 구축한다. 이 인과 지식을 새로운 인과적 어텐션 메커니즘을 통해 이중 스트림 GNN-LSTM 네트워크에 주입하는 Event-CausNet 프레임워크를 제안한다. 실제 데이터셋 실험 결과, Event-CausNet은 예측 오차(MAE)를 최대 35.87% 감소시키며, 기존 SOTA(State-of-the-Art) 모델을 능가하는 성능을 보였다. 이 프레임워크는 상관 관계 모델과 인과 추론 사이의 격차를 해소하여, 보다 정확하고 이식 가능한 솔루션을 제공하며, 중요한 상황에서 실제 교통 관리에 대한 신뢰할 수 있는 기반을 제공한다.
