OmniST：拓扑不变的时空预测，为未见传感器提供覆盖保证

时空预测模型长期受困于一个结构性假设：传感器数量固定。图卷积网络需要预定义的邻接矩阵，模型权重与训练时的节点数绑定，一旦部署到新的传感器位置，整个系统便无法给出任何输出。OmniST 试图拆掉这道墙——它的计算过程对节点数量零依赖，并能与归纳式分裂共形校准结合，在任意位置（包括从未见过的传感器）给出分布无关、覆盖有保证的预测区间。

OmniST 论文标题截图

拓扑不变性从何而来

OmniST 的核心设计围绕三个组件展开。第一是基于坐标的 tokenization：传感器不再被编码为固定词表中的一个索引，而是由其地理坐标生成表征。第二是 k-近邻注意力，在每次前向传播时根据经纬度动态构建邻接关系，而非依赖训练阶段固化的图结构。第三是逐节点的时间处理，使用双向 GRU 独立建模每个传感器的时间序列。

这三步共同的效果是：模型的计算图不感知节点总数 N。增删传感器不会改变权重形状，也不会破坏已学到的空间关系。对于需要频繁调整监测网络的场景——例如空气质量站点的扩建或临时布设——这种性质意味着模型可以原地继续使用，而不必重新训练。

图卷积网络（GCN）与归纳式学习

传统图卷积网络将传感器网络建模为图：节点是传感器，边表示空间邻近或相关性。GCN 的每一层通过邻接矩阵聚合邻居信息，而邻接矩阵和权重矩阵的维度都与节点数 N 绑定。这意味着模型在训练时“记住”了特定的传感器布局，一旦节点集合变化，权重无法复用，模型只能重新训练。这种设定被称为直推式（transductive）学习。

与之相对，归纳式（inductive）学习要求模型能对训练时未见的节点直接推理。OmniST 通过坐标 tokenization 和动态 k-近邻注意力绕开了固定邻接矩阵，使计算图与 N 解耦，从而具备归纳能力。这一区别是理解 OmniST 部署灵活性的关键：不是简单地“换一种图结构”，而是从根本上取消了图结构对节点数的依赖。

在未见站点上的预测与不确定性

预测精度之外，OmniST 更值得关注的是不确定性的处理方式。归纳式分裂共形校准（inductive split-conformal calibration）为预测区间提供了有限样本覆盖保证，且该保证在传感器增删时依然成立。这一点与多数深度学习方法形成对比：后者通常只给出点预测，或依赖贝叶斯近似而缺乏严格的覆盖承诺。

在德里真实空气质量数据（37 个站点）上，OmniST 的 PM2.5 预测在去除大量站点后性能下降幅度很小。在未见站点上的归纳预测优于最近邻插值，也优于一种学习式克里金 GNN（IGNNK），并且——这是关键区别——只有 OmniST 携带覆盖保证。

据论文报告，覆盖保证在四个真实数据集、三个领域（德里与北京空气质量、NOAA GHCN 天气、Caltrans PeMSD7-M 交通）上，于节点随机丢弃条件下维持在较高水平；在 PeMS-BAY 的完整传感器规模下同样成立。

分裂共形预测与覆盖保证

共形预测（conformal prediction）是一种分布无关的不确定性量化框架。其核心思想是：利用一个留出的校准集计算非 conformity 分数（如绝对残差），再取该分数的适当分位数作为预测区间的半宽。在可交换性假设下，这样构造的区间对新的测试点具有有限样本的边际覆盖保证——例如 90% 的区间在长期运行中至少覆盖 90% 的真实值，且不依赖任何分布假设。

“分裂”（split）指校准集与训练集分离，避免过拟合导致的覆盖失效；“归纳式”则意味着校准过程可以针对新节点独立进行，而不需要重新训练模型。这正是 OmniST 能在传感器增删时维持覆盖保证的机制来源。相比之下，贝叶斯神经网络或 MC Dropout 给出的是近似不确定性，缺乏这种严格的频率学保证。

时间漂移的修复

静态共形校准存在一个已知弱点：随时间推移，预测区间会逐渐欠覆盖。OmniST 的解决方案是滚动自适应共形估计器，它根据近期残差动态调整区间宽度。代价是区间变宽，但目标覆盖率得以恢复——论文中给出的整体与后期覆盖率数据支持这一权衡。对于长期部署的监测系统，这比一次性校准更贴近实际需求。

自适应共形推断

静态共形校准假设数据分布不随时间变化，但真实监测数据常存在漂移（如季节性、污染事件、传感器老化），导致校准残差分布偏移，区间逐渐欠覆盖。自适应共形推断（adaptive conformal inference）通过在线更新校准分位数来应对这一问题：每观测到新残差，就按学习率调整当前分位数，使长期覆盖率收敛到目标水平。

OmniST 采用的滚动自适应估计器即属于这一族方法。其代价是区间宽度会随残差波动而增大，以换取覆盖率的恢复。对于长期部署的监测系统，这种“宁可区间宽一些，也要保证覆盖”的权衡，比一次性静态校准更符合实际运维需求。

这意味着什么

OmniST 的价值不在于刷新某个基准的 MAE，而在于改变了时空预测模型的部署契约。传统 GCN 类方法要求"先确定传感器集合，再训练模型"；OmniST 允许"模型先行，传感器随加随用"，并且不确定性量化随节点变化保持有效。这对城市感知、环境监测和交通网络等传感器拓扑经常变动的领域，是一个务实的方向。

当然，拓扑不变性并非没有成本。坐标 tokenization 和逐节点 GRU 的并行效率、k-近邻注意力在大规模节点下的计算开销，都是工程落地时需要权衡的问题。论文目前覆盖的最大规模为 PeMS-BAY 的完整传感器集合，更大规模的表现仍有待观察。