Проблема: «Слепое» предположение о связях
Большинство современных моделей пространственно-временного прогнозирования (ST) работают с допущением, что пространственные и временные зависимости всегда сильно связаны. Однако в реальных данных (трафик, климат, энергосети) эта связь нестабильна: в одни моменты доминируют временные паттерны, в другие — пространственные. Это несоответствие заставляет существующие модели выстраивать ложные зависимости (spurious dependencies) и снижать точность.
Решение: AdaST и парадигма «Разделить-Объединить»
Авторы предлагают AdaST (Adaptive Coupling for Spatial-Temporal Forecasting), которая решает три ключевые проблемы: неизвестную структуру связей, гетерогенную динамику и слабое пространственное моделирование. Архитектура использует подход decompose-recompose:
- Декомпозиция: Входные данные разбиваются на компоненты с помощью экспертов, чувствительных к гетерогенности. Каждый компонент захватывает свой уникальный паттерн связи.
- Обработка: Компоненты обрабатываются модулями, выровненными по их роли (пространственной или временной).
- Рекомпозиция: Адаптивный механизм, основанный на корреляциях, интегрирует результаты обратно в итоговый прогноз.
Результаты: Превосходство над SOTA
Эксперименты подтверждают, что адаптивный подход AdaST значительно превосходит существующие методы. Модель демонстрирует устойчивость к доминированию одного типа корреляции, что критически важно для надежного прогнозирования в нестабильных условиях.
| Характеристика | Стандартные ST-модели | AdaST (предлагаемая) |
|---|---|---|
| Тип связи | Статичная (предполагается сильная) | Динамическая (адаптивная) |
| Режимы работы | Один на все случаи | Временной / Пространственный / Сильно связанный |
| Метод обработки | Прямое моделирование | Decompose-Recompose (экспертная система) |
| Точность при доминировании одного фактора | Снижается (ложные зависимости) | Сохраняется высокой |
Значение для индустрии
Работа принята в NeurIPS 2026 (main conference). Код модели доступен, что позволяет инженерам внедрить более гибкие решения в системы управления трафиком, прогнозирования спроса на энергию и климатического моделирования, где жесткие модели часто дают сбой.
Источник: arXiv cs.AI ↗