GAS-PFN：图感知时空先验数据拟合网络实现零样本交通预测

GAS-PFN 将图结构融入 PFN 先验与推理，提升零样本交通预测。

资讯摘要

论文提出 GAS-PFN，将道路拓扑通过随机游走扩散融入合成任务先验，使先验数据拟合网络在预训练中学习图耦合动态。其推理架构用共享 Transformer 主干做两次掩码条件前向，分别建模传感器时序动态与邻域时空交互。作者报告在六个基准的 90 分钟预测上，MSE 较 TimePFN 平均降低 34.0%，较四个近期通用零样本预测器平均降低 27.7%。

要点速读

1. GAS-PFN 通过随机游走扩散把采样道路拓扑写入合成任务先验，预训练阶段学习图耦合动态。
2. 推理架构使用两次掩码条件前向，分别处理传感器时序动态与邻域时空交互，无需参数更新即可适配目标网络。
3. 作者报告六个基准 90 分钟预测中，MSE 较 TimePFN 平均降 34.0%，较四个通用零样本预测器平均降 27.7%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。