VaryST：超越封闭世界设定的可泛化时空预测

arXiv:2610.19813v1 公告类型：新论文 摘要：时空预测是许多现实世界系统的基础，但部署环境本质上是不断变化的：时间分布可能演变，空间域可能改变，观测数据的可用性也可能与训练条件不同。现有模型通常通过节点特定表示、预定义的空间支持集以及对观测数据持续可用的依赖，与训练环境紧密耦合，从而限制了其对变化环境的泛化能力。为此，我们提出 VaryST，这是一种从头训练的紧凑型时空预测模型，通过利用可用的长期观测数据动态构建预测上下文，实现强大的泛化能力。为适应时间变化，VaryST 从长期历史数据中提取节点表示，在较长期模式的背景下捕捉当前行为。为适应空间变化，它在预定义邻域之外动态选择功能相关的支持节点，并将这些节点的信息与目标节点的近期状态、长期状态及全局上下文相融合。为应对观测数据可用性的变化，VaryST 在训练过程中选择性地掩蔽模型最依赖的历史数据片段，鼓励模型利用其他时间和空间依赖关系，以便在关键观测数据不可用时仍能进行准确预测。在六个真实世界数据集上与十七种基线方法开展的广泛实验表明，VaryST 具有较高的域内预测精度，显著提升了空间和时间变化条件下的零样本与少样本泛化能力，并在观测数据可用性变化时保持稳健。