GAS-PFN 提出零样本交通预测新方法

研究者 Joseph Natter 等提交论文，提出图感知时空先验数据拟合网络 GAS-PFN，用于零样本交通预测。该方法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。 作者称，在 90 分钟预测、跨 6 个基准的测试中，GAS-PFN 的 MSE 较前代 TimePFN 平均降低 34.0%，较四个近期通用零样本预测器平均降低 27.7%。上述效果为论文报告结果。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。