为什么值得读
部署时空预测的真实痛点是传感器网络会扩张/收缩：模型权重绑死节点数意味着每次增删站点都要重训重校准。OmniST 把「拓扑不变」和「覆盖率保证」做成一个组合包——前者靠坐标化+逐前向 kNN 注意力，后者靠归纳式 split-conformal，且保证在节点增删时仍然成立。论文还诚实地修了自己的一个坑：静态共形随时间漂移欠覆盖（后期约 0.50），滚动自适应共形把覆盖率拉回 0.89（后期 0.96），代价是区间变宽——这个 trade-off 数字本身就值得引用。
问题：权重绑死节点数，新站点无预测也无保证
标准时空图卷积网络需要固定尺寸邻接矩阵，模型权重与特定传感器数量 N 耦合，对训练时缺失的传感器无法产生任何输出。
论文目标：计算对节点数零结构依赖，且在任意位置（含从未见过的）给出有覆盖保证的预测区间，并在传感器增删后保持该保证。
方法：拓扑不变 + 归纳式共形
拓扑不变来自三件事：坐标 token 化、每次前向按地理坐标做 kNN 注意力、双向 GRU 的逐节点时序处理。
与归纳式 split-conformal 校准组合后，区间是分布无关的，覆盖保证在有限样本下成立。
结果：四个数据集、三个领域的覆盖率都在 90% 以上
德里空气质量（37 站，2019–2023）：30 天 PM2.5 MAE 31.0 µg/m³；移除 40% 站点最多退化 1.1%。
未见站点的归纳预测比最近邻插值好约 12%、比学习的 kriging GNN（IGNNK）好约 21%，且后两者都没有覆盖保证。
30–50% 节点丢弃下，四个真实数据集（德里/北京空气质量、NOAA GHCN 天气、Caltrans PeMSD7-M 交通）覆盖保证均保持 90% 以上；在完整 PeMS-BAY 的 325 个真实传感器上依然成立。
时间漂移修复：静态共形后期欠覆盖至约 0.50，滚动自适应共形恢复到总体 0.89、后期 0.96，代价是区间变宽。
边界
作者声明基线 E-STGCN 与 IGNNK 为忠实重实现而非原作者代码——对比数字应按此口径理解。
单作者论文，评估体系为论文自身实验，本站未复现；MAE 数字与基线差异的统计显著性摘要未说明。
本站仅据 arXiv 摘要页（E1）整理，未复现。基线为作者重实现（comment 字段声明），非原作者原码；覆盖率保证依赖 split-conformal 的交换性假设是否在流式设置下成立，摘要未展开讨论。代码链接来自 arXiv 官方 comment 字段（github.com/Praveg432/OmniST），本站沙箱网络在快照日无法直连 GitHub 验证仓库内容。
本文基于论文原文摘要与方法章节整理，观点由编辑撰写；如与原文有出入，以 arXiv 原文为准。 内容为信息整理与技术评论，不构成投资或决策建议。 发现错误请通过站内纠错页提交（记录可查），修订记录只增不删。