FaST：基于混合专家的大规模时空图长期高效预测
机器学习
2026-01-09 v1 人工智能
摘要
大规模网络上的时空图 (STG) 预测引起了广泛关注。然而，现有模型主要聚焦于短期预测，在扩展至长期预测和大型图时面临计算成本高昂和内存消耗巨大的问题。针对上述挑战，我们提出了 FaST，这是一个基于异构感知混合专家 的有效且高效的框架，用于长期、大规模 STG 预测，实现了包含数千个节点的提前一周（15 分钟粒度下 672 步）预测。FaST 由两项关键创新支撑。首先，提出了一种自适应图智能体注意力机制，以缓解传统图卷积和自注意力模块应用于大规模图时固有的计算负担。其次，我们提出了一种新的并行 MoE 模块，用门控线性单元 (GLU) 替代传统前馈网络，实现了高效且可扩展的并行结构。在真实世界数据集上的大量实验表明，与最先进的基线相比，FaST 不仅具有卓越的长期预测准确性，还实现了显著的计算效率。源代码可在以下地址获取：https://github.com/yijizhao/FaST。
引用
@article{arxiv.2601.05174,
title = {FaST: Efficient and Effective Long-Horizon Forecasting for Large-Scale Spatial-Temporal Graphs via Mixture-of-Experts},
author = {Yiji Zhao and Zihao Zhong and Ao Wang and Haomin Wen and Ming Jin and Yuxuan Liang and Huaiyu Wan and Hao Wu},
journal= {arXiv preprint arXiv:2601.05174},
year = {2026}
}
备注
Accepted to KDD 2026