arXiv cs.AI· Joseph Natter, Long Vu, Yifan Zhang, Bobin Deng, Kun Suo, Rui Wu·· 12 小时前AI 评分31
GAS-PFN：面向零样本交通预测的图感知时空先验数据拟合网络
GAS-PFN: Graph-Aware Spatiotemporal Prior-Data Fitted Networks for Zero-Shot Traffic Forecasting
AI 导读
研究者提出图感知时空先验数据拟合网络 GAS-PFN，通过随机游走扩散将采样道路拓扑注入合成任务先验，使模型在预训练中学习图耦合动态，并借助共享 Transformer 主干的双掩码推理分别建模传感器时序与邻域时空交互，无需参数更新即可适配目标路网。在 90 分钟预测跨 6 个基准上，其 MSE 较前代 TimePFN 平均降低 34.0%，较四个近期业界通用零样本预测器平均降低 27.7%。
正文 · AI 翻译
摘要：交通预测需要对复杂的时间动态以及道路拓扑所施加的空间依赖关系进行建模。基于图的监督模型性能强劲，但通常针对特定数据集和传感器图进行训练，因此部署到新的或不断演进的网络成本高昂。先验数据拟合网络（PFN）提供了一种零样本替代方案，它从合成任务先验中学习上下文内推理，为编码领域特定假设提供了显式机制。然而，现有的预测 PFN 并未显式表示支配交通动态的图结构依赖关系。为了将图感知的交通建模与零样本适应相结合，我们提出了图感知时空先验数据拟合网络（GAS-PFN）。GAS-PFN 通过随机游走扩散将采样的道路拓扑纳入其合成任务先验，使模型在预训练期间学习图耦合的动态。其协同设计的推理架构通过共享 Transformer 主干进行两次掩码条件化传递，分别对传感器特定的时间动态以及相邻传感器之间的时空交互进行建模，然后再整合它们的表示进行预测。这一设计使 GAS-PFN 无需参数更新即可利用目标网络的结构和上下文。在 90 分钟预测时域的六个基准上，GAS-PFN 相较于其最接近的 PFN 前身 TimePFN，平均将 MSE 降低了 34.0%。相较于四个近期由业界开发的通用零样本预测器，它平均将 MSE 降低了 27.7%。在该比较中，所有模型均接收 90 分钟的连续近期历史，任何额外上下文均取自各数据集按时间顺序划分的训练集。这些结果表明，将 PFN 先验和推理架构与图结构对齐，可改善零样本交通预测的上下文内学习。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；神经与进化计算（cs.NE） |
| 引用为： | arXiv:2610.37598 [cs.LG] |
| （或 arXiv:2610.37598v1 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2610.37598 arXiv 颁发的 DOI 经由 DataCite（待注册） |
提交历史
来自：Joseph Natter [查看电子邮件]
[v1]
2026年10月27日星期二 17:31:26 UTC（1,667 KB）
来源：arXiv cs.AI · arxiv.org