OmniST 提出拓扑无关时空预测模型，可在未见传感器位置给出覆盖保证区间
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。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载摆脱固定邻接矩阵
常规时空图卷积网络依赖固定尺寸的邻接矩阵，模型权重与传感器数量绑定，训练时未出现的站点无法给出任何输出。OmniST 的做法是让计算过程与节点数量彻底解耦：用基于坐标的分词方式表示输入，在每次前向传播时依据地理坐标做 k 近邻注意力，再通过双向 GRU 对每个节点单独做时间维处理。三处设计共同支撑起拓扑不变性，使模型不再需要预先知道传感器总数，传感器增删时结构上无需改动。
德里数据上的误差表现
在德里真实空气质量数据上（37 个站点，2019 至 2023 年），OmniST 的 30 天 PM2.5 平均绝对误差为 31.0 微克每立方米；当四成站点被移除时，性能下降幅度最多为 1.1 个百分点。这一退化幅度说明模型对节点缺失并不敏感，与依赖固定邻接矩阵的方案形成对照——后者在站点集合变化后需要重新训练才能继续工作。
未见站点的对比结果
在训练中未出现的站点上，OmniST 的归纳式预测优于最近邻插值和学习式克里金 GNN（IGNNK），并且与这两者不同，它带有有限样本的覆盖保证。该保证在四个真实数据集、三个领域（德里与北京空气质量、NOAA GHCN 天气、Caltrans PeMSD7-M 交通）上，于三成到五成的节点丢弃比例下仍维持在九成以上，在包含 325 个真实传感器的完整 PeMS-BAY 上同样成立。材料同时说明，基线 E-STGCN 与 IGNNK 是重新实现的版本，并非作者原始代码。
时间漂移的修正
静态 conformal 方法存在随时间推移覆盖不足的问题，后期实际覆盖率约 0.50。改用滚动自适应 conformal 估计器后，目标覆盖率得以恢复：整体为 0.89，后期为 0.96，代价是预测区间变宽。对使用方而言，这意味着在站点动态增减的部署场景中，可以拿到带覆盖保证的区间输出，但需要接受区间宽度上的让步。
为什么值得看
解决传感器增减或新增站点时模型需重训的痛点，并给出可验证的区间覆盖保证，对空气质量、气象、交通等时空预测落地有参考价值。
信源1 家
关键事实
OmniST 的计算对节点数量没有结构依赖，可在训练中未出现的传感器位置输出预测[1]
在德里空气质量数据（37 站，2019-2023）上，30 天 PM2.5 的 MAE 为 31.0 ug/m3，移除 40% 站点后性能最多下降 1.1%[1]
在未见站点的预测上，比最近邻插值好约 12%，比 IGNNK 好约 21%[1]
在四个真实数据集、三个领域上，30-50% 节点丢失时覆盖率保证保持在 90% 以上，并在 325 个真实传感器的 PeMS-BAY 上仍成立[1]
静态 conformal 随时间欠覆盖（后期约 0.50），滚动自适应 conformal 将整体覆盖率恢复到 0.89、后期 0.96，代价是区间更宽[1]
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。