【HKUST博士论文】迈向可扩展且具泛化能力的时空预测

时空预测（Spatio-Temporal Forecasting, STF）在智能城市的众多应用中发挥着关键作用，例如交通管理、环境监测和资源调度。近年来，深度学习因其强大的表示能力，已成为 STF 的主流技术。然而，现有的深度 STF 模型常面临可扩展性差和泛化能力不足的问题，难以胜任现实场景中存在的部分观测、大规模数据和数据稀缺等挑战。 本论文旨在通过构建兼顾准确性、可扩展性与泛化能力的先进 STF 模型，弥合上述现实鸿沟。首先，从数据视角出发，我们将半监督 STF 问题形式化，促使模型能够从城市中已监测区域泛化至未监测区域。在此基础上，我们提出一种自监督的分层图神经网络模型，可从部分观测的时空数据中提取可迁移知识，从而有效应对半监督 STF 任务。其次，从模型结构的角度，我们设计了一种线性复杂度的时空图神经网络，高效捕捉大规模时空系统中的全局交互关系。最后，从学习目标的角度出发，我们提出一种轻量级的多域预训练方法，实现了跨域与跨区域的少样本（few-shot）与零样本（zero-shot）预测能力。 上述方法在数据稀缺场景下显著提升了 STF 模型的实用性，同时其轻量化设计也便于在资源受限的城市环境中快速部署。我们期望本论文所提出的方法能够为 STF 模型在现实世界的广泛应用和落地部署奠定基础。