Teger：用于概率交通预测的时空协方差

arXiv:2605.18068v2 公告类型：替换 摘要：交通状况会发生漂移——在部署生命周期内，需求模式、事故动态和传感器行为都会发生变化——因此，在训练时拟合一次并保持静态的联合不确定性估计，会随着条件变化而产生校准偏差。我们提出 TEGER，这是一种残差协方差模型，可通过闭式更新在测试时持续更新预测器的联合预测不确定性，而无需重新训练。一个固定的传感器图提供低维空间精度因子，用于编码哪些传感器的误差会共同变化；在推理时，高斯条件化仅利用最近观测到的残差，校正下一次预测的均值和协方差；同时，指数移动平均波动率项会重新缩放边际不确定性，以跟踪局部漂移，同时保留已学习的相关结构。这两项更新都不会触及预测骨干网络的权重，因此同一机制可以附加到冻结的时间序列基础模型上：无需对其进行梯度传递，就能以几乎可以忽略的额外成本，将静态点预测转变为具有持续更新相关不确定性的预测。在四个交通数据集上，与仅使用时间信息的基线相比，固定图协方差在不同骨干网络和数据集配置下均提升了 60 分钟的 $CRPS_{sum}$。将该方法事后应用于冻结的时间序列基础模型 Chronos 后，无需对基础模型进行微调，同样的测试时校正将 $CRPS_{sum}$ 从 0.1798 降至 0.1736。这些结果表明，应采用测试时残差的闭式校正，而不是在训练时一次性固定协方差。