More Sensors Only One Field: Rethinking Continual Spatio-Temporal Forecasting

📄 arXiv: 2609.31325v1 📥 PDF

作者: Lewei Xie, Haoyu Zhang, Jiajun Zhou, Yulong Chen, Guanxing Chen, Yu-An Huang, Hau-San Wong, Yifan Zhang, Zhi-An Huang

分类: cs.LG

发布日期: 2026-09-25

🔗 代码/项目: GITHUB

💡 一句话要点

提出STFO以解决传感器扩展下的时空预测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱七：动作重定向 (Motion Retargeting)

关键词: 时空预测 持续学习 传感器网络 图神经网络 环境监测 交通管理 模型重用

📋 核心要点

  1. 现有的基于图的持续学习方法将预测表示与传感器布局绑定，导致传感器扩展时学习的空间关系表示发生变化。
  2. 论文提出STFO，通过共享的场演化算子处理传感器布局变化，利用归一化坐标聚合实现空间图的重用。
  3. 在PEMS-Stream和CA-Stream上，STFO-Large分别减少了8.4%和4.7%的平均绝对误差，展示了显著的性能提升。

📝 摘要（中文）

持续的时空预测支持在不断变化的动态和扩展的传感器网络下进行交通管理和环境监测。然而，传统的基于图的持续学习方法将预测表示与当前的传感器布局绑定，因此传感器扩展可能会改变已学习的空间关系的表示。我们的关键见解是，传感器扩展改变了关于过程的可用证据，而不一定改变需要学习的动态。我们提出了STFO（时空场算子），它将预测知识参数化为共享的场演化算子，并通过观察和查询接口处理变化的传感器布局。归一化坐标基础的聚合将不规则的传感器历史提升到固定的潜在网格，使得在不同观察集之间重用已学习的空间图成为可能，而无需特定于传感器的参数。为了适应过程漂移，谱描述符总结了跨空间尺度和条件的变化，并调节算子的响应以适应当前的空间状态。实验结果表明，STFO在PEMS-Stream、CA-Stream和AIR-Stream上实现了最先进的平均预测性能。

🔬 方法详解

问题定义：论文要解决的问题是如何在传感器网络扩展的情况下，保持时空预测的准确性。现有方法的痛点在于它们将预测模型与特定的传感器布局绑定，导致在传感器增加时，模型的表现受到影响。

核心思路：论文的核心解决思路是引入STFO（时空场算子），通过共享的场演化算子来处理传感器布局的变化。这样设计的原因在于，传感器扩展改变了可用证据，但不一定改变学习的动态，从而可以重用已有的知识。

技术框架：整体架构包括多个模块：首先，通过归一化坐标聚合将不规则的传感器历史数据映射到固定的潜在网格；其次，使用谱描述符来总结空间尺度和条件的变化；最后，通过坐标解码查询演变后的场，并结合空间修正与局部历史预测。

关键创新：最重要的技术创新点在于引入了共享的场演化算子，使得模型能够在不同的传感器布局下重用学习到的空间关系，这与传统方法的局限性形成鲜明对比。

关键设计：关键设计包括归一化坐标聚合的实现方式、谱描述符的构建，以及如何在解码阶段结合空间修正与历史预测的具体策略。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

在PEMS-Stream和CA-Stream数据集上，STFO-Large分别实现了8.4%和4.7%的平均绝对误差降低，展现了其在时空预测任务中的优越性能，超越了现有的基线方法。

🎯 应用场景

该研究的潜在应用领域包括智能交通系统、环境监测以及城市规划等。通过提高时空预测的准确性，能够更好地支持实时决策和资源优化，具有重要的实际价值和未来影响。

📄 摘要（原文）

Continual spatio-temporal forecasting supports traffic management and environmental monitoring under evolving dynamics and expanding sensor networks. However, conventional graph-based continual learning methods tie forecasting representations to the current sensor layout, so sensor expansion can alter the representation of learned spatial relationships. Our key insight is that sensor expansion changes the evidence available about a process without necessarily changing the dynamics to be learned. We propose STFO (Spatio-Temporal Field Operator), which parameterizes forecasting knowledge as a shared field-evolution operator and handles changing sensor layouts through observation and query interfaces. Normalized coordinate-based aggregation lifts irregular sensor histories onto a fixed latent grid, enabling reuse of learned spatial maps across observation sets without sensor-specific parameters. To accommodate process drift, a spectral descriptor summarizes variation across spatial scales and conditions Fourier propagation and attention to adapt operator responses to the current spatial regime. Coordinate-based decoding queries the evolved field at sensor locations and combines spatial corrections with local-history predictions. Experiments on PEMS-Stream, CA-Stream, and AIR-Stream demonstrate state-of-the-art average forecasting performance. STFO-Large reduces average MAE over DOL by 8.4% on PEMS-Stream and 4.7% on CA-Stream. Our code is available at https://github.com/Xielewei/Spatio-Temporal-Field-Operator.