时空预测相关 AI 资讯 · AITOP · AI热报

9月1日

09:15

09:15

官方账号arXiv cs.AI@Di Zhang, Jingyang Zhang, Ziqian Wang, Chi Zhang, Yikun Ban, Ziwei Zhang, Ruijie Wang

精选73°

LLMODE是一种用于不规则时空预测的令牌高效框架，使用冻结的LLM主干网络。该方法首先使用图感知ODE编码器将不规则图观测重建为连续时间潜在轨迹，然后通过固定预算Perceiver重采样器将可变长度轨迹压缩为固定数量的动态记忆令牌。实验在三个真实城市数据集和两个物理动力学基准上展示了竞争力，在稀疏或动态复杂的不规则采样条件下优势更明显。

论文 LLMODE ODE LLM

推荐理由：LLMODE解决了LLM处理不规则时空观测的难题，通过双源门控交叉注意力将外部时空证据注入冻结LLM。

8月31日

09:04

09:04

官方账号arXiv cs.LG@Yixuan Zhao, Man Luo

73°

TransMod框架通过构建共享区域级空间表示，将不同空间粒度的交通系统对齐到共同空间。该模型能从数据丰富的源模式中学习可迁移的时空模式，并适应数据稀缺的目标模式。在真实世界数据集上的实验表明，TransMod在有限目标数据下表现优于现有方法。

论文 TransMod 城市交通多模态

推荐理由：TransMod解决了多模态交通预测难题，能在数据不足时从其他交通模式迁移知识，提升预测准确性。

5月19日

11:18

11:18

官方账号arXiv cs.LG@Seyed Mohamad Moghadas, Esther Rodrigo Bonet, Bruno Cornelis, Adrian Munteanu

精选

残差误差传播是循环模型中的根本问题，小预测误差随时间累积会降低长程性能。现有深度时序模型虽能高效参数化时变相关性，但常假设误差时间独立并忽略空间相关。本文提出Teger，一种结构化不确定性模块，通过离散Forman曲率识别信息瓶颈边并进行空间曲率感知图重连，结合低秩加对角协方差头，利用Woodbury恒等式保持可推断性。Teger与骨干网络无关，在LSTM、Transformer和xLSTM上对四个真实时空数据集一致提升了连续排名概率分数（CRPS），并从理论上证明了曲率感知重连能缓解过挤压、改善谱连通性、降低有效电阻并改进协方差校准边界。

论文时空预测残差误差传播图重连

推荐理由：做时空序列预测的团队终于有了一个能同时处理空间相关性和误差时间累积的通用模块——Teger直接插入现有自回归模型就能提升长程预测可靠性，值得在电力、交通等场景试试。