维度平衡提升大规模时空预测性能

arXiv cs.LG 论文
spatiotemporal-prediction entropy dimensional-balance urban-traffic meteorology public-health low-rank-embedding machine-learning

摘要

本文提出一个框架，利用基于熵的诊断方法来协调空间和时间特征表示，在涉及城市交通、气象和疫情数据集的大规模时空预测任务中实现了显著的精度提升。

arXiv:2605.18793v1 公告类型：新 摘要：准确的时空模式分析对于城市交通、气象和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，通常只能实现增量提升，且往往表现出有限的跨域迁移能力。我们通过空间和时间熵度量来分析这一瓶颈，这些度量用作时空复杂度不匹配的诊断指标，而非保证熵对齐本身能带来更好的预测。经验上，在固定的模型容量预算下，较大的不匹配往往伴随着更高的预测不确定性。在此诊断指导下，我们提出一个可扩展的自适应框架，用于协调空间和时间特征表示。空间维度通过低秩矩阵嵌入进行压缩以保留基本结构，同时扩展的时间视野捕获长程依赖并减轻由时间异质性导致的累积误差。在城市交通、气象和疫情数据集上的大量实验表明，该框架在所评估的领域内实现了显著的精度提升和广泛的适用性，表明该框架有望广泛应用于当前研究之外的各种时空任务。代码可在 GitHub 上获取：https://github.com/ST-Balance/ST-Balance。
查看原文
查看缓存全文

缓存时间: 2026/05/20 08:34 

# 维度平衡提升大规模时空预测性能

来源：https://arxiv.org/abs/2605.18793

查看 PDF (https://arxiv.org/pdf/2605.18793) HTML（实验性）(https://arxiv.org/html/2605.18793v1)

> 摘要：准确的时空模式分析在城市交通、气象和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，通常只能带来增量提升，且跨领域迁移能力有限。我们通过空间和时间熵度量分析这一瓶颈，这些度量用作时空复杂性不匹配的诊断指标，而非保证仅熵对齐就能带来更好的预测。从经验上看，更大的不匹配通常伴随着更高的预测不确定性，尤其是在固定模型容量预算下。基于这一诊断，我们提出了一种可扩展的自适应框架，用于协调空间和时间特征表示。空间维度通过低秩矩阵嵌入进行压缩以保留基本结构，而扩展的时间视野则捕捉长程依赖并减轻时间异质性带来的累积误差。在城市交通、气象和流行病数据集上的大量实验表明，该框架在评估领域内具有显著的精度提升和广泛的适用性，表明该框架有望应用于超出本研究的广泛时空任务。代码可在GitHub上获取，网址为：此 https URL (https://github.com/ST-Balance/ST-Balance)

## 提交历史

来自：Jing Chen [查看电子邮件](https://arxiv.org/show-email/ea3a0d57/2605.18793) **\[v1\]** 2026年5月11日星期一 06:29:26 UTC (26,055 KB)

相似文章

嵌套时空时间序列预测

arXiv cs.LG

本文提出一种嵌套时空预测框架，利用谱聚类构建语义一致的宏观区域，为细粒度的微观预测提供自上而下的指导。在高维数据集上的实验表明，该方法始终优于最先进的基线模型。

基于时空并行解码与置信度外推的高效扩散LLMs

arXiv cs.CL

本文介绍了时空并行解码（TSPD）和置信度外推（CE），通过动态判断令牌何时收敛并预测logit趋势，来加速基于扩散的大语言模型的推理，减少不必要的去噪步骤，同时保持输出质量。

面向自回归动力系统预测的可扩展单步生成建模

arXiv cs.LG

本文介绍了 MeLISA，这是一种无需潜变量的自回归生成代理模型，用于预测高维物理动力学。该模型利用像素空间的 MeanFlow 实现高效的单步生成。与神经算子相比，MeLISA 在湍流基准测试中展现出更优越的长程统计精度和推理速度。