LLM当桥梁！GenST零样本预测未观测节点，时空预测不再怕数据稀疏
Just for FUNS: LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
📖 AI 总结
本文针对时空预测中因传感器覆盖不足而难以预测未观测节点状态（FUNS）的问题，提出将FUNS重新定义为时空图上的条件生成任务，并设计了GenST框架。该框架引入大语言模型作为语义桥梁，通过微调预训练LLM从节点描述（如功能区、路网结构）中提取语义特征，以弥补缺失的时空信号。具体采用两阶段生成架构：先用时空VAE将时空动态压缩至隐空间，再由生成式Transformer从噪声中重建未观测节点的未来状态，并以语义、地理坐标和邻域上下文作为多模态条件进行引导。在六个交通数据集和两个非交通数据集上的实验表明，GenST在零样本预测任务中显著优于现有基线，验证了语义引导生成在缓解时空数据稀疏性方面的实际潜力。
🔑 关键词速览
| FUNS | 预测未观测节点状态，指在传感器网络缺乏空间覆盖时，预测没有历史观测记录的节点的未来状态。 |
| GenST | 本文提出的框架，利用大语言模型作为语义桥梁，通过两阶段生成架构实现未观测节点的时空状态预测。 |
| LLM | 大语言模型，本文中作为语义桥梁，从节点描述中提取语义特征以补偿缺失的时空信号。 |
| Spatio-Temporal VAE | 时空变分自编码器，用于将时空动态压缩到潜在空间，是两阶段生成架构的第一阶段。 |
| Generative Transformer (GenT) | 生成式Transformer，从噪声中重建未观测节点的未来状态，并受多模态条件引导。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅