通用重学习者：通过重学习输入-标签残差赋能时空预测
机器学习
2026-02-04 v1
摘要
主流时空预测模型通常遵循前向（单向）学习范式，即从历史观测输入中提取时空特征并映射到目标时空空间进行未来预测（标签）。然而，这些模型在输入与标签之间存在时空差异时常表现次佳，例如：相似时间序列输入的节点表现出不同的未来标签，反之亦然。为此，我们提出在训练阶段显式地纳入标签特征。具体而言，我们引入时空残差定理（Spatiotemporal Residual Theorem），将传统的单向时空预测范式普遍化为双向学习框架。基于此理论基础，我们设计了一个通用模块，称为ReLearner，通过辅助逆向学习过程无缝地为时空神经网络（STNNs）增添双向学习能力。在该过程中，模型重新学习输入数据与未来数据之间的时空特征残差。所提出的ReLearner包含两个关键组件：（1）残差学习模块，用于有效分离输入与标签表示之间的时空特征差异；（2）残差平滑模块，用于平滑残差项并促进稳定收敛。在11个真实数据集上进行的广泛实验表明，ReLearner显著提升了现有STNNs的预测性能。我们的代码已在GitHub上提供。
引用
@article{arxiv.2602.02563,
title = {A General ReLearner: Empowering Spatiotemporal Prediction by Re-learning Input-label Residual},
author = {Jiaming Ma and Binwu Wang and Pengkun Wang and Xu Wang and Zhengyang Zhou and Yang Wang},
journal= {arXiv preprint arXiv:2602.02563},
year = {2026}
}