OmniST: Topology-Invariant Spatiotemporal Forecasting with Guaranteed-Coverage Uncertainty at Unseen Sensor Locations

{"tags": ["OmniST", "Spatiotemporal Forecasting", "Conformal Prediction", "Graph Neural Networks", "Sensor Networks", "Uncertainty Quantification"], "risks": ["Bộ ước lượng rolling adaptive-conformal khắc phục trôi dạt phân phối nhưng phải đánh đổi bằng khoảng dự đoán rộng hơn, có thể giảm tính chi tiết trong các kịch bản cần ngưỡng biên hẹp.", "Độ chính xác của k-NN attention phụ thuộc chặt chẽ vào độ tin cậy và tính liên tục không gian của tọa độ địa lý đầu vào.", "Chi phí tính toán tìm k láng giềng gần nhất ở mỗi forward pass có thể gia tăng khi số lượng cảm biến hoạt động đồng thời tăng vọt."], "category": "Research", "entities": ["OmniST", "IGNNK", "BiGRU", "PeMS-BAY", "Caltrans PeMSD7-M", "NOAA GHCN"], "summary_vi": "OmniST là kiến trúc dự báo không-thời gian bất biến topo, loại bỏ sự phụ thuộc vào ma trận kề kích thước cố định của ST-GCN truyền thống. Thông qua token hóa tọa độ, cơ chế chú ý k-NN động và xử lý chuỗi thời gian per-node bằng BiGRU, kết hợp inductive split-conformal calibration, OmniST cung cấp khoảng dự đoán bảo đảm độ bao phủ toán học tại cả những cảm biến chưa từng huấn luyện, đồng thời áp dụng rolling adaptive-conformal để giải quyết trôi dạt dữ liệu theo thời gian.", "key_changes": ["Loại bỏ ràng buộc ma trận kề kích thước cố định của ST-GCN truyền thống bằng token hóa tọa độ và k-NN attention theo tọa độ địa lý ở mỗi lượt forward pass.", "Xử lý chuỗi thời gian cục bộ trên từng nút (per-node) bằng mạng BiGRU hai chiều, đạt tính bất biến cấu trúc topo hoàn toàn không phụ thuộc vào số lượng cảm biến.", "Tích hợp kỹ thuật inductive split-conformal calibration cung cấp khoảng dự đoán có bảo đảm độ bao phủ hữu hạn mẫu (finite-sample coverage guarantee) tại các vị trí cảm biến chưa từng xuất hiện lúc huấn luyện.", "Khắc phục lỗi suy giảm độ bao phủ do trôi dạt thời gian (temporal drift) bằng bộ ước lượng rolling adaptive-conformal, khôi phục độ bao phủ từ ~0.50 lên 0.89-0.96."], "sub_category": "Spatiotemporal Forecasting & Conformal Prediction", "novelty_score": 84, "business_score": 75, "research_score": 86, "why_it_matters": "Các mô hình dự báo không-thời gian hiện nay gặp rào cản lớn khi triển khai thực tế do bị gắn cứng với số lượng cảm biến cố định và không dự báo được tại các điểm đo mới hoặc khi mạng lưới bị hỏng trạm. OmniST giải quyết triệt để tính toán quy nạp (inductive) trên cảm biến bất kỳ mà không cần retrain, đồng thời cung cấp khoảng tin cậy có bảo đảm độ bao phủ lý thuyết, tạo bước tiến lớn cho các ứng dụng IoT, khí tượng và giao thông thông minh.", "developer_score": 78, "importance_score": 82, "possible_use_cases": ["Dự báo nồng độ ô nhiễm không khí (PM2.5) tại các vị trí đô thị chưa lắp đặt trạm đo cố định hoặc khi mạng lưới bị mất kết nối tới 40% trạm.", "Dự báo lưu lượng giao thông thông minh trên các tuyến đường mới bổ sung cảm biến mà không cần huấn luyện lại toàn bộ mô hình ST-GCN.", "Quan trắc khí tượng thủy văn diện rộng dựa trên mạng lưới cảm biến NOAA với khả năng chịu lỗi cảm biến ngắt quãng (dropout).", "Hệ thống giám sát chất lượng và rủi ro thời gian thực cho mạng lưới cảm biến IoT cần khoảng tin cậy định lượng phục vụ ra quyết định tự động."], "actionability_score": 70}