KDD 2026 | 基于时空图的轨道自适应零样本预测

论文标题： Orbit-Adaptive Zero-Shot Forecasting on Spatio-Temporal Graph

会议：KDD2026

作者：Yue Xu，Wenying Duan*, Xiaoxi He, Shuai Ma

单位：澳门大学、 南昌大学

代码：https://github.com/wenyingduan/OAGNN

论文：https://github.com/wenyingduan/OAGNN/blob/main/Orbit-Adaptive%20Zero-Shot%20Forecasting%20on%20Spatio-Temporal%20Graph.pdf

点击文末阅读原文跳转论文PDF链接

引言

时空图预测广泛应用于交通流量、空气质量、公共健康和能源系统等场景。近年来，AGCRN、Graph WaveNet 等节点自适应 STGNN 通过学习节点嵌入、自适应邻接矩阵和节点条件参数，有效提升了预测性能。

现有的跨领域时空图预测方法大多假设目标域至少存在少量标注数据（即 few-shot 迁移）。然而，现实中更常遇到的场景是：目标域没有任何历史时序观测。例如：

• 一个新城市部署了交通传感器，但尚未积累足够的历史流量数据；
• 突发疫情初期，我们需要对新地区进行传播趋势预测；
• 跨城市模型迁移时，目标城市的节点集合与源城市完全不同。

在这种 零样本（zero-shot） 设定下，传统方法暴露出根本性缺陷：

• 非自适应模型（如 DCRNN、STGCN）虽可直接部署，但全局共享参数无法捕捉节点异质性，难以刻画节点异质性；
• 节点自适应模型（如 AGCRN、Graph WaveNet）通过学习节点索引相关的嵌入来生成自适应邻接矩阵和节点参数，但这些嵌入与节点 ID 强绑定，在没有目标域时序数据的情况下无法推断，因此零样本场景下完全不可用。

那么，是否存在一种既保留节点级自适应能力、又无需目标域数据就能迁移的模型？

核心洞察：图自同构轨道——结构角色决定时序行为

OA-GNN 的关键洞察在于：一个节点的时序动态不仅取决于其自身历史序列，更由其 图中的结构位置决定。

上图直观展示了三种参数化策略的根本区别：

• 非自适应：所有节点的参数完全相同，无法处理节点级异质性；
• 节点自适应：每个节点拥有独立的参数（依赖于节点ID），在零样本场景下因无法推断而失效；
• 轨道自适应：将同一自同构轨道（结构上对称的节点）的参数绑定，既保留了局部适应性，又使得参数可以随轨道迁移到全新的图。

作者利用图自同构轨道（automorphism orbit）来形式化这一直觉。在图论中，自同构是一种保持图结构的节点置换。属于同一轨道的节点在结构上是对称的（即无法通过局部邻域区分），它们往往扮演相似的功能角色。例如，在一个交通网络中，所有高速公路入口匝道的节点可能属于同一轨道；在疫情网络中，所有枢纽城市的节点可能共享相似的结构特征。

更重要的是：这种结构角色的等价性在不同图之间具有迁移性。即使两个图的节点集合完全不同，只要它们的轨道结构相似，就可以共享预测机制。

基于这一洞察，OA-GNN 提出了轨道自适应（orbit-adaptive）机制：将节点级参数共享的范围从“每个节点单独学习”提升到“同一轨道内的节点共享自适应参数”。这样，模型不再依赖节点 ID 或目标域历史数据，而是仅从图拓扑中提取轨道信息，即可生成可迁移的预测参数。

OA-GNN框架

OA-GNN

OA-GNN

OA-GNN 的整体框架如上图所示，包含三个核心模块：

1. 拓扑驱动的节点特征提取

给定目标域图结构，首先通过结构嵌入方法（如 Laplacian Eigenmaps、M-NMF 或可学习的 AGE）生成纯拓扑驱动的节点特征，不依赖任何节点属性或时序数据。

2. 轨道自适应图卷积

利用拉普拉斯谱滤波器实现置换等变的 GCN，将拓扑特征映射为轨道自适应嵌入。该嵌入满足：

• 同一自同构轨道内的节点获得相同（或等变）的表示；
• 对不同图的节点自动对齐结构角色。

3. 轨道自适应参数生成

基于构建：

• 轨道自适应邻接矩阵
• 节点条件参数：每个节点的卷积参数由线性组合共享基得到

这些组件可直接插入现有 STGNN 主干（如 AGCRN、GWN）中，替换原有的节点索引相关参数，实现零样本迁移。

4. 子图情景训练

为了模拟跨域零样本场景，OA-GNN 在源域图上采样大量子图作为不同“任务”，每个子图对应一个虚拟目标域。模型在这些任务上训练，学会仅依据图结构进行自适应预测，从而在真实目标域上实现零样本泛化。

实验验证

作者在六个真实数据集上进行了评估，涵盖交通（PEMS04/07/08）、空气质量（Air Quality）、能源（PV-US）和疫情（Korea-COVID）等不同领域。

零样本迁移性能对比

以 PEMS04 为源域、其余为目标域，OA-GNN 显著优于非自适应零样本基线：

即使在源域为极小规模（Korea-COVID 仅 17 个节点）的极端设定下，OA-GNN 仍能在大型交通数据集上取得与需要目标域数据的 TransGTR 相当的结果，而后者使用了额外的目标域监督信号。

与有监督上界对比

当目标域有完整监督数据时，OA-GNN 的零样本性能与有监督上界的差距已相当有限。例如在 PEMS08 上，有监督 AGCRN 的 MAE 为 15.44，而零样本 OA-GNN 达到 20.13——仅用图拓扑就恢复了近70%的有监督性能。

组件消融

• 移除子图情景训练：在 PV-US 上，MAE 从 7.27 恶化至 10.92（+50%），证明该策略对跨域泛化至关重要。

• 不同拓扑嵌入方法：M-NMF 和 AGE 均显著优于随机初始化基线，其中 AGE 在 PEMS08 上取得最佳 MAE (20.13)。

• 轨道自适应vs节点自适应：将AGCRN的节点索引嵌入替换为轨道自适应嵌入后，PEMS04 上MAE从19.83降至19.30，Korea-COVID 上从19.98 降至9.20。

可视化分析

对节点嵌入进行 K-means 聚类（k=8）后发现：PEMS04/08 呈现复杂的分层结构，轨道丰富；Korea-COVID 结构简单，轨道数少；PV-US 结构模糊，空间依赖性弱。这解释了为什么 OA-GNN 在 PV-US 上增益相对较小——轨道自适应机制的有效性与图自身的结构复杂性正相关。

总结

本文提出的 OA-GNN 试图回答一个现实而重要的问题：

在没有目标域时间序列和标签参与训练的情况下，时空图模型能否仅依靠目标图拓扑完成迁移？

OA-GNN 的答案是：可以，靠图自同构轨道（automorphism orbit）。 从节点自适应到轨道自适应——不记住节点 ID，只理解结构角色。零样本时空预测的新范式：让模型从“认识谁”转向“身在何处”。