GAS-PFN：图感知时空先验网络实现零样本交通预测

交通预测一直是智能交通系统的核心挑战，需要同时建模复杂的时间动态和由路网拓扑决定的空间依赖。传统监督式图神经网络在该任务上表现出色，但往往针对特定数据集和传感器图训练，部署到新路网或动态变化的网络时成本高昂。近期一篇论文提出的GAS-PFN（Graph-Aware Spatiotemporal Prior-Data Fitted Network）为这一困境提供了零样本解决方案，通过将图结构显式融入先验数据拟合网络（PFN），在无需参数更新的情况下实现跨网络交通预测。

GAS-PFN论文标题截图

从PFN到图感知：零样本预测的新思路

PFN（Prior-Data Fitted Networks）的核心思想是在合成任务先验上学习上下文推理，从而具备零样本泛化能力。这种机制为编码领域特定假设提供了显式入口：先验的设计直接决定了模型“天生”理解哪些规律。然而，现有面向预测的PFN并未显式表示交通动态所遵循的图结构依赖，导致在路网场景中丢失关键的空间耦合信息。

GAS-PFN的切入点正在于此：如果交通流的空间相关性由道路拓扑决定，那么合成任务先验就应当包含图结构。论文通过随机游走扩散（random-walk diffusion）将采样得到的道路拓扑融入合成任务先验，在预训练阶段就教会模型学习图耦合的动态模式。这意味着模型在推理时能够利用目标路网的结构信息，而非依赖训练时见过的特定传感器图。

PFN（Prior-Data Fitted Network） 是一类元学习框架，其核心是在大量从先验分布中采样的合成数据集上预训练一个Transformer，使其学会“在上下文中推理”而非拟合固定参数。推理时，模型接收一小段带标签的上下文数据（如近期交通观测）和待预测的查询点，通过一次前向传播直接输出预测，无需梯度更新。这种机制被称为上下文学习（in-context learning）。PFN的零样本能力高度依赖先验分布的设计：先验决定了模型预训练时“见过”哪些数据生成机制，从而隐式编码了任务假设。若先验未包含图结构，模型便无法在推理时利用路网拓扑的空间耦合信息。

随机游走扩散（random-walk diffusion） 是一种在图结构上生成相关信号的过程：从某节点出发，按转移概率在邻居间随机游走，经多步扩散后得到节点间的相关性模式。在GAS-PFN中，论文先采样道路拓扑，再通过随机游走扩散生成合成任务中的空间耦合动态，使预训练数据天然带有“连通节点间相互影响”的规律。这相当于将图拉普拉斯平滑或图上的热扩散过程嵌入数据生成先验，让模型在预训练阶段就学会识别并利用这种空间依赖，而非在推理时从零推断。

双通道推理架构：分离时间与空间建模

GAS-PFN的推理架构与先验设计协同完成。它采用两次掩码条件（mask-conditioned）的前向传播，共享同一个Transformer骨干网络：第一次传播专注于建模每个传感器特有的时间动态，第二次传播则聚焦邻居传感器之间的时空交互。两次传播的输出随后被整合用于最终预测。

这种设计的巧妙之处在于职责分离——时间模式和空间交互分别由不同的掩码条件引导，避免了两类信息在单一通道中相互干扰。同时，共享骨干保证了参数效率，而双通道结构使得模型能够同时利用目标网络的结构信息和上下文数据，且不需要任何参数更新。对于部署方而言，这意味着面对新路网时无需重新训练或微调，直接推理即可获得预测结果。

掩码条件（mask-conditioned）前向传播 指在Transformer输入中通过注意力掩码控制信息流动的范围。在GAS-PFN中，第一次传播使用仅允许同一传感器时间步之间注意的掩码，迫使模型专注建模单点时间动态；第二次传播则使用允许跨邻居节点注意的掩码，使模型聚焦空间交互。两次传播共享同一骨干网络的参数，但通过不同的掩码模式实现职责分离。这种做法与标准Transformer中因果掩码或双向掩码的思路一致，区别在于此处掩码由图的邻接关系动态生成，而非固定的序列顺序。

性能验证：显著优于PFN基线及通用零样本预测器

论文在六个基准数据集上进行了评估，预测视野为90分钟。结果显示，GAS-PFN相对于其最接近的PFN前身TimePFN，平均降低MSE达34.0%；相对于四个近期业界开发的通用零样本预测器，平均降低MSE达27.7%。在对比中，所有模型均接收90分钟的连续近期历史，额外上下文则从各数据集按时间顺序划分的训练集中提取。

这些数据表明，将PFN的先验和推理架构与图结构对齐，能够实质性地提升上下文学习在零样本交通预测中的表现。34.0%的MSE降幅在预测任务中相当可观，尤其考虑到这是在零样本设定下取得的——模型并未针对任何测试路网进行训练。

对交通预测部署的意义

城市路网处于持续变化之中：新增传感器、道路改造、临时封路都会改变图的拓扑结构。监督模型每次面对这种变化都需要重新收集数据并训练，维护成本随网络规模增长而上升。GAS-PFN所代表的零样本路线提供了一种不同的运维范式——预训练一次，之后依靠上下文推理适应新图。

论文的核心贡献在于证明了“先验对齐”的价值：PFN的零样本能力并非无条件成立，其效果取决于先验是否编码了任务的关键结构。在交通预测中，这个关键结构就是图。将随机游走扩散引入合成先验，本质上是在告诉模型“世界是由连通的节点组成的”，从而让上下文学习真正理解空间耦合。这一思路对其他具有图结构的时间序列任务（如能源网络、气象监测）同样具有参考价值。

当然，零样本方法并非要完全取代监督训练。在数据充足且图结构稳定的场景中，针对性训练的图神经网络仍可能保有精度优势。GAS-PFN的价值在于为快速部署和动态网络提供了低成本的替代方案，并指出了PFN先验设计中一个此前被忽视的维度。