[控场AI]
模型OmniST

OmniST

一种拓扑不变的时空预测模型,其计算过程不依赖传感器节点数量,结合归纳式分裂共形校准,可为任意位置(包括未见传感器)提供覆盖有保证的预测区间。

时间轴 (近 90 天)

11月4日

OmniST 的计算过程对传感器节点数量零依赖,模型权重形状不随节点数 N 变化。

待验证50%
11月4日

OmniST 使用基于地理坐标的 tokenization 生成传感器表征,而非固定词表索引。

待验证50%
11月4日

OmniST 在每次前向传播时根据经纬度动态构建 k-近邻邻接关系,而非依赖训练阶段固化的图结构。

待验证50%
11月4日

OmniST 使用双向 GRU 独立建模每个传感器的时间序列。

待验证50%
11月4日

归纳式分裂共形校准为 OmniST 的预测区间提供有限样本覆盖保证,且该保证在传感器增删时依然成立。

待验证50%
11月4日

在德里真实空气质量数据(37 个站点)上,OmniST 的 PM2.5 预测在去除大量站点后性能下降幅度很小。

待验证50%
11月4日

在未见站点上的归纳预测中,OmniST 优于最近邻插值,也优于学习式克里金 GNN(IGNNK),并且只有 OmniST 携带覆盖保证。

待验证50%
11月4日

OmniST 的覆盖保证在四个真实数据集、三个领域(德里与北京空气质量、NOAA GHCN 天气、Caltrans PeMSD7-M 交通)上,于节点随机丢弃条件下维持在较高水平;在 PeMS-BAY 的完整传感器规模下同样成立。

待验证50%
11月4日

OmniST 的坐标 tokenization 和逐节点 GRU 存在并行效率问题,k-近邻注意力在大规模节点下存在计算开销,是工程落地时需要权衡的问题。

待验证50%
11月4日

论文目前覆盖的最大规模为 PeMS-BAY 的完整传感器集合,OmniST 在更大规模下的表现仍有待观察。

待验证50%

全部知识事实 (10)

来源文章