维度平衡提高大规模时空预测性能

arXiv:2605.18793v1 发布类型：新增 摘要：准确的时空格局分析对于城市交通、气象、公共卫生监测等领域至关重要。然而，现有方法面临性能瓶颈，通常只能产生增量增益，并且经常表现出有限的跨域可转移性。我们通过空间和时间熵测量来分析这个瓶颈，这些测量被用作时空复杂性不匹配的诊断指标，而不是仅仅保证熵对齐可以产生更好的预测。根据经验，较大的失配通常伴随着较高的预测不确定性，特别是在固定的模型容量预算下。在这种诊断的指导下，我们提出了一个可扩展的自适应框架，可以协调空间和时间特征表示。通过低秩矩阵嵌入来压缩空间维度，以保留基本结构，而扩展的时间范围则捕获长程依赖性并减轻由时间异质性引起的累积误差。对城市交通、气象和流行病数据集的广泛实验表明，在评估的领域中具有显着的准确性提升和广泛的适用性，这表明该框架有望用于当前研究之外的广泛时空任务。该代码可在 GitHub 上获取：https://github.com/ST-Balance/ST-Balance。