待验证50% 置信事实精确时间
GAS-PFN采用两次掩码条件的前向传播，共享同一个Transformer骨干网络：第一次传播建模每个传感器特有的时间动态，第二次传播聚焦邻居传感器之间的时空交互，两次输出整合用于最终预测。
1
来源数
50%
置信度
长期有效
时效性
2026/10/28
首次发现
来源
涉及实体
相关事实
待验证NCM的第二阶段使用Transformer并行预测每个层级的离散码，且每个层级的预测都以前一层级为条件。68% 相似待验证GAS-PFN（Graph-Aware Spatiotemporal Prior-Data Fitted Network）是一种通过将图结构显式融入PFN先验、在无需参数更新的情况下实现跨网络零样本交通预测的方法。67% 相似已验证Transformer的自注意力机制允许模型直接计算序列中任意两个位置之间的依赖关系，突破了RNN/LSTM因顺序计算导致的并行化瓶颈64% 相似待验证Transformer推理分为两个阶段：并行的计算密集型预填充阶段和顺序的内存带宽密集型解码阶段。64% 相似待验证在Transformer架构中，前馈网络（FFN）层通常占据模型参数的三分之二以上。63% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1105975API
curl https://kongchang.com/api/v1/knowledge/claims/1105975MCP
get_claim(id=1105975)