Teger：概率交通预测的时空协方差

交通条件漂移——需求模式、事件动态和传感器行为在部署的生命周期中发生变化——因此联合不确定性估计在训练时拟合一次并保持静态将随着条件变化而错误校准。我们提出了 TEGER，一种残差协方差模型，它通过封闭式更新（而不是重新训练）在测试时保持预测者的联合预测不确定性。固定传感器图提供低维空间精度因子编码，传感器的误差一起移动；在推理时，高斯条件仅根据最近观察到的残差校正下一个预测的均值和协方差，并且指数移动平均波动率项重新调整边际不确定性以跟踪局部漂移，同时保留学习的相关结构。这两种更新都没有触及预测主干的权重，因此相同的机制附加到冻结的时间序列基础模型：没有梯度通过它，将静态点预测转变为不断刷新的、相关不确定性的预测，而附加成本可以忽略不计。在四个流量数据集中，固定图协方差在骨干网和数据集的不同配置中比仅时间基线提高了 60 分钟的 $CRPS_{sum}$。事后应用于冻结时间序列基础模型 Chronos，相同的测试时间校正将 $CRPS_{sum}$ 从 0.1798 减少到 0.1736，而无需基础模型 微调。这些结果支持封闭式测试时残差校正，而不是在训练时固定的协方差。