כתבה
arXiv cs.AI ·
LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
Just for FUNS: LLM-Guided Spatio-Temporal Graph Node Generation for Forecasting Unobserved Node States
מאמר זה עוסק בפיתוח של רשת גרפית ספציאל-טמפורלית שמשתמשת ב-LLM כדי לחזות מצבים של צמתים שלא נצפו. המאמר מציג פרקטיקה חדשה של ייצור גרפי שמשתמשת ב-LLM כדי לקלות את חסרון הנתונים הספציאל-טמפורליים. הפרקטיקה נבדקה על שישה קבצי נתוני תנועה ושני קבצי נתוני לא-תנועה.
תקציר מקורי באנגליתarXiv:2610.08818v2 Announce Type: replace-cross Abstract: Spatio-temporal forecasting is a cornerstone of logistics, urban planning, and intelligent transportation systems. However, constrained by deployment costs and maintenance resources, sensor networks often lack comprehensive spatial coverage, rendering Forecast Unobserved Node States (FUNS) a critical yet formidable challenge. Conventional models rely on historical observations and typically falter when encountering nodes without prior records. To address this, we redefine the problem as a conditional generation task on spatio-temporal graphs and propose GenST, a framework that introduces Large Language Models (LLMs) as a semantic bridge, leveraging a pre-trained LLM fine-tuned to extract rich semantic features from node descriptions
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית