只是为了好玩：LLM 引导的时空图节点生成，用于预测未观察到的节点状态

摘要

arXiv:2610.08818v1 Announce Type: new Abstract: Spatio-temporal forecasting is a cornerstone of logistics, urban planning, and intelligent transportation systems. However, constrained by deployment co...

and temporal spatio the semantic Spatio nodes generation GenST that

2026-10-08 1 阅读约1分钟阅读 Shuhao Li, Weidong Yang, Changan Liu, Wei Zhuo, Yingbo Zhou, Fan Zhang, Siqiang Luo

arXiv:2610.08818v1 公告类型：新摘要：时空预测是物流、城市规划和智能交通系统的基石。然而，受部署成本和维护资源的限制，传感器网络往往缺乏全面的空间覆盖，这使得预测未观测节点状态（FUNS）成为一个关键而艰巨的挑战。传统模型依赖于历史观察，并且在遇到没有先前记录的节点时通常会失败。为了解决这个问题，我们将问题重新定义为时空图的条件生成任务，并提出了 GenST，这是一个引入大型语言模型（LLM）作为语义桥梁的框架，利用预训练的 LLM 进行微调，从节点描述（例如功能区和道路网络结构）中提取丰富的语义特征，以补偿丢失的时空信号。具体来说，我们设计了一个两阶段的生成架构：时空 VAE 首先将时空动态压缩到潜在空间中，然后是生成变换器 (GenT)，在语义、地理坐标和邻域上下文等多模态条件的指导下，从噪声中重建未观察到的节点的未来状态。对六个流量和两个非流量数据集的实验表明，GenST 在零样本预测任务中显着优于现有基线，证明了语义引导生成在缓解时空数据稀疏性方面的实际潜力。

订阅66必读