知识卡片：GAS-PFN——图感知时空先验数据拟合网络用于零样本交通预测

一句话结论

GAS-PFN 把道路拓扑结构显式编码进 PFN（Prior-Data Fitted Network）的合成任务先验与推理架构中，使模型无需参数更新即可适配新的传感器网络，在 90 分钟预测跨度上平均降低 MSE 34.0%（对比 TimePFN）和 27.7%（对比四个产业界通用零样本预测器）。

事件概述或研究问题

交通预测既依赖复杂的时间动态，也依赖路网拓扑带来的空间依赖。传统监督式图模型性能虽强，但通常针对特定数据集与传感器图训练，迁移到新网络或演化中的网络成本高。PFN 通过从合成任务先验中学习上下文推理（in-context inference）提供零样本替代方案，但已有预测类 PFN 并未显式表示支配交通动态的图结构依赖。GAS-PFN 要解决的问题是：如何把图感知的交通建模与零样本自适应结合起来。

方法/产品要点

• 先验侧：通过随机游走扩散（random-walk diffusion）将采样得到的道路拓扑纳入合成任务先验，使模型在预训练阶段就学习图耦合的动态。
• 架构侧：与先验协同设计的推理架构在共享 Transformer 主干上做两次掩码条件化（mask-conditioned）前向传播，分别建模传感器自身的时间动态与邻近传感器间的时空交互，再融合两类表示进行预测。
• 零样本机制：目标网络的结构与上下文在推理时直接使用，不需要任何参数更新。

主要结果或产业意义

• 在六个基准、90 分钟预测跨度上，相较最接近的 PFN 前作 TimePFN，平均 MSE 降低 34.0%。
• 相较四个近期产业界开发的通用零样本预测器，平均 MSE 降低 27.7%。
• 对比设置：所有模型均接收 90 分钟连续近期历史，额外上下文取自各数据集按时间划分的训练集。
• 结果表明，让 PFN 先验与推理架构同图结构对齐，可提升零样本交通预测的上下文学习效果。

为什么重要

交通传感器网络会新增、迁移或重排，若每次都要重新训练监督模型，部署成本与周期都难以接受。GAS-PFN 说明“零样本 + 图结构先验”是一条可行路径：模型不必见过目标网络，只要推理时给出拓扑与历史上下文即可预测。与既有卡片中 CHARM（多模态图基础模型的零样本迁移）相比，本条聚焦的是时空交通预测这一具体任务，并把图结构写进 PFN 的合成先验而非仅做层次上下文替换；与 PM2.5 迁移学习卡片相比，本条不依赖目标域监督适应，而是完全零样本。

局限与不确定性

• 摘要仅报告 90 分钟单一行预测跨度的结果，其他跨度表现待核实。
• 六个基准的具体数据集名称、传感器规模与图来源未在摘要中列出，待核实。
• 随机游走扩散的具体采样参数、先验生成细节与两轮掩码条件化传播的实现细节待核实。
• 与产业界零样本预测器对比的具体模型清单、参数量与训练数据规模待核实。
• 未见计算开销、推理延迟或对拓扑噪声鲁棒性的报告，待核实。

可用于图书/PPT/简报的角度

• “把领域结构写进先验”：PFN 类模型如何通过合成任务先验注入图结构假设，作为基础模型领域适配的一种范式。
• 零样本预测的部署经济学：新传感器网络上线时免训练迁移的成本对比。
• 架构与先验协同设计（co-design）的案例：先验教什么、架构就怎么读。
• 与监督式图模型、通用零样本预测器的三方对比框架，用于说明专用结构先验相对通用能力的位置。

原始材料

• Title: GAS-PFN: Graph-Aware Spatiotemporal Prior-Data Fitted Networks for Zero-Shot Traffic Forecasting
• Authors: Joseph Natter, Long Vu, Yifan Zhang, Bobin Deng, Kun Suo, Rui Wu
• arXiv ID: 2610.37598v1（cs.LG；cross-list: cs.AI, cs.NE）
• Published/Updated: 2026-10-27T17:31:26Z
• Abstract URL: https://arxiv.org/abs/2610.37598v1
• PDF URL: https://arxiv.org/pdf/2610.37598v1
• 关键词：Prior-Data Fitted Networks；零样本交通预测；图感知时空建模；随机游走扩散；上下文学习