VaryST：超越封闭世界设定的可泛化时空预测

时空预测是许多现实世界系统的基础，但部署环境本身不断变化：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时不同。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持续可用观测数据的依赖，与其训练环境紧密耦合，从而限制了它们在变化环境中的泛化能力。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，通过从可用的长期观测数据中动态构建预测上下文，实现强大的泛化能力。为应对时间变化，VaryST 从长期历史数据中提取节点表示，在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 在训练期间选择性地遮蔽模型最依赖的历史片段，鼓励模型利用其他时间和空间依赖关系，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进行的大量实验表明，VaryST 具有出色的域内预测精度，显著提升了空间和时间变化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。