注册

GAS-PFN：把路网拓扑写进先验，零样本交通预测MSE降34%

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。

GAS-PFN 是一种面向零样本交通预测的图感知时空先验数据拟合网络。它通过随机游走扩散，把采样得到的路网拓扑纳入合成任务先验，让模型在预训练阶段学习图耦合的动态；推理阶段用共享 Transformer 主干做两次掩码条件化前向，分别建模单个传感器的时间动态与相邻传感器之间的时空交互，再融合两者做预测。因此，模型无需更新参数，就能利用目标网络的结构与上下文。在六个基准、90 分钟预测跨度上，其 MSE 相比最接近的 PFN 前作 TimePFN 平均降低 34.0%，相比四个近期工业界通用零样本预测器平均降低 27.7%。

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，交通预测既要刻画复杂的时间动态，也要处理道路拓扑带来的空间依赖。基于图的监督模型表现很强，但通常针对特定数据集和传感器图训练，迁移到新建或持续变化的传感网络时部署成本高。先验数据拟合网络（PFN）提供了另一条路径：从合成任务先验中学习上下文内推理，从而实现零样本预测，并且先验本身就是编码领域假设的显式手段。问题在于，已有的预测类 PFN 没有显式表示支配交通动态的图结构依赖，这正是 GAS-PFN 要补上的缺口。

先验与推理架构怎么配合

GAS-PFN 的做法分两头。预训练侧，它把采样得到的道路拓扑经随机游走扩散注入合成任务先验，使模型在预训练阶段就接触并学习图耦合的动态，而不是等到下游任务再补空间信息。推理侧采用共同设计的结构：共享同一个 Transformer 主干，做两次受掩码条件控制的前向计算，一次负责单个传感器自身的时间动态，一次负责相邻传感器之间的时空交互，最后把两路表示整合后输出预测。由于目标网络的结构和上下文都在前向过程中被直接使用，模型不需要任何参数更新即可适配新网络。

基准上的量化结果

论文在六个基准上以 90 分钟为预测跨度进行评估。相对最接近的 PFN 前作 TimePFN，GAS-PFN 的 MSE 平均下降 34.0%；相对四个近期由工业界开发的通用零样本预测器，平均下降 27.7%。比较设置上，所有模型都拿到 90 分钟连续近期历史，若还需额外上下文，则从各数据集按时间顺序划分出的训练部分中取用。作者据此认为，让 PFN 的先验与推理架构同图结构对齐，可以提升零样本交通预测中的上下文内学习效果。

为什么值得看

交通预测模型换城市、换传感器就要重训，这篇给出免参数更新的图感知零样本路线，并附六个基准的量化对比。

数据集

信源1 家

  1. [1]arXiv cs.AI一手信源GAS-PFN: Graph-Aware Spatiotemporal Prior-Data Fitted Networks for Zero-Shot Traffic Forecasting

关键事实

  • GAS-PFN 通过随机游走扩散把采样路网拓扑写入合成任务先验，预训练时学习图耦合动态[1]

  • 推理架构用共享 Transformer 主干做两次掩码条件化前向，分别建模单传感器时间动态与邻接传感器时空交互[1]

  • 在六个基准、90 分钟预测跨度上，MSE 相比 TimePFN 平均降低 34.0%[1]

  • 同设置下相比四个近期工业界通用零样本预测器，MSE 平均降低 27.7%[1]

  • 对比中各模型均获得 90 分钟连续近期历史，额外上下文取自各数据集按时间划分的训练集[1]

相关 · 论文

OpenAI 自 GPT-5.6 起部署激活分类器监控模型输出

11月3日 周二·AI 78

OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力

11月2日 周一·AI 72

清华姚期智团队提出代数世界模型AWM，ARC-AGI-3全关卡通关

11月1日 周日·AI 78

新芯航途发布X7 Ultra芯片，700TOPS，用Momenta世界模型做评测

10月31日 周六·AI 72

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。

去论坛讨论