VaryST：面向动态环境的时空预测模型发布
论文AI 评分 68/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一篇 arXiv 论文提出 VaryST，一个从零训练的紧凑时空预测模型，目标是在时间分布演变、空间域变化、观测可用性改变等部署环境下保持泛化能力。现有模型通过节点专属表示、预定义空间支持集和对持续可用观测的依赖与训练环境紧密耦合。VaryST 从长期历史中导出节点表示以应对时间变化，动态选择预定义邻域之外的功能相关支持节点以应对空间变化，并在训练中选择性遮蔽模型最依赖的历史片段，以应对观测缺失。在六个真实数据集上与十七个基线对比，该模型在域内预测精度、零样本与少样本泛化以及观测可用性变化下的鲁棒性上均有表现。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载要解决的问题
论文指出，时空预测在真实系统中很关键，但部署环境本身是变化的：时间分布会演变，空间域会改变，观测可用性也可能偏离训练时的条件。现有模型往往通过节点专属表示、预先定义的空间支持集，以及对持续可用观测的依赖，与训练环境紧密耦合，从而限制了向变化环境的泛化。VaryST 的出发点就是摆脱这种封闭世界假设，让模型在环境发生偏移时仍能给出可用预测。
三个方向的自适应设计
针对时间变化，VaryST 从长期历史中导出节点表示，把当前行为放在更长周期模式的背景下刻画。针对空间变化，它不再局限于预定义邻域，而是动态挑选功能上相关的支持节点，并将这些节点的信息与目标的近期状态、长期状态以及全局上下文融合。针对观测可用性的变化，训练阶段会选择性遮蔽模型最依赖的历史片段，迫使模型转而利用其他时间与空间依赖关系，从而在关键观测缺失时仍能完成预测。模型本身是从零训练的紧凑结构。
实验与结论
论文在六个真实数据集上开展了实验，对比对象为十七个基线方法。结果显示，VaryST 在域内预测精度上表现较强，在空间与时间变化下的零样本和少样本泛化上有明显改善，并且在观测可用性变化时保持稳健。论文提交于 2026 年 10 月 14 日，arXiv 编号 2610.19813，归类为 cs.LG 与 cs.AI。
为什么值得看
时空预测模型在真实部署中常因环境漂移失效，该工作给出可迁移的建模思路与多数据集验证结果。
论文数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。