GAS-PFN
一种图感知时空先验网络模型，通过将图结构显式融入先验数据拟合网络（PFN），实现零样本交通预测。
时间轴 (近 90 天)
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。
论文采用随机游走扩散（random-walk diffusion）将采样得到的道路拓扑融入合成任务先验，在预训练阶段让模型学习图耦合的动态模式。
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。
在六个基准数据集上、90分钟预测视野下，GAS-PFN相对于其最接近的PFN前身TimePFN平均降低MSE达34.0%。
在同一评估中，GAS-PFN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GAS-PFN的评估对比中，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。
掩码条件前向传播指在Transformer输入中通过注意力掩码控制信息流动范围；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，第二次传播使用允许跨邻居节点注意的掩码。
全部知识事实 (7)
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。
50%待验证论文采用随机游走扩散（random-walk diffusion）将采样得到的道路拓扑融入合成任务先验，在预训练阶段让模型学习图耦合的动态模式。
50%待验证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。
50%待验证在六个基准数据集上、90分钟预测视野下，GAS-PFN相对于其最接近的PFN前身TimePFN平均降低MSE达34.0%。
50%待验证在同一评估中，GAS-PFN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%。
50%待验证在GAS-PFN的评估对比中，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。
50%待验证掩码条件前向传播指在Transformer输入中通过注意力掩码控制信息流动范围；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，第二次传播使用允许跨邻居节点注意的掩码。
50%