选择再平衡：探索时空预测的外生变量建模
机器学习
2026-03-03 v3
摘要
时空(ST)预测对于动态系统至关重要，但现有方法主要依赖对有限目标变量集合的建模。在本文中，我们首次系统性探索时空预测的外生变量建模，这一话题长期被忽视。我们确定将外生变量整合的两个核心挑战：不同变量对目标系统的影响不一致，以及历史数据与未来数据之间的不平衡效应。为此，我们提出ExoST—a一种简单而有效的外生变量建模通用框架，高度兼容现有的ST骨干网络，遵循“选择后平衡”范式。具体而言，我们设计了潜空间门控专家模块，用于动态选择和重构来自融合外生信息中突出信号。此外，采用双分支骨干架构捕获来自重构后的过去和未来表示的动态模式，通过情境感知加权机制将其整合，以确保动态平衡。大量在真实数据集上的实验表明，ExoST在有效性、通用性、鲁棒性和效率方面均表现出色。
引用
@article{arxiv.2509.05779,
title = {Select, then Balance: Exploring Exogenous Variable Modeling of Spatio-Temporal Forecasting},
author = {Wei Chen and Yuqian Wu and Yuanshao Zhu and Xixuan Hao and Shiyu Wang and Xiaofang Zhou and Yuxuan Liang},
journal= {arXiv preprint arXiv:2509.05779},
year = {2026}
}