Lesson 0002 · 约 10 分钟 · 先读这一课

TIID 是什么：时间事件影响衰减

名字是 TIID（Temporal Incident Impact Decay），不是 TTID。 本课只讲一件事：事件冲击如何用高斯衰减 + 加法残差叠到骨干预测上。

论文：IGSTGNN · KDD 2026 · arXiv:2602.02528 速查表 下一课：复现与汇报
技能目标：用 30 秒向同事讲清「TIID 做了什么、为什么长 horizon 更有用」， 并写出核心公式 Y_hat = g_out(H_pred + omega ⊗ C_init W)。

0. 先纠正命名

全称是 Temporal Incident Impact Decay → 缩写 TIID。 它不是独立模型，而是 IGSTGNN（Incident-Guided Spatiotemporal Graph Neural Network） 里的时间侧插件。空间侧配套模块叫 ICSF。

缩写全称一句话
IGSTGNNIncident-Guided STGNN整框架：事件引导的时空图预测
ICSFIncident-Context Spatial Fusion事件对每个传感器的空间初始冲击（注意力+拓扑掩码）
TIIDTemporal Incident Impact Decay把初始冲击按时间高斯衰减后加回预测

1. 它要解决什么痛点？

传统 ST 模型只从历史流量学「日常峰谷」。一旦出现事故/施工/恶劣天气这类 非重复性事件，模型仍输出历史平均曲线，错过陡降——长 horizon 误差尤其大。

论文把挑战压成三句（你汇报时可原样用）：

  1. 空间不均匀：同一事件对近邻/上游/下游传感器冲击完全不同 → 交给 ICSF。
  2. 时间会消散：冲击不是脉冲常量，会随恢复过程衰减 → 交给 TIID。
  3. 事件语义复杂：类型、描述、位置等多属性 → 编码进事件向量再融合。
关键假设（汇报必提）：论文只显式建模「当前时刻 t 新发生」的事件。 更早事件的影响，假设已经隐含在最近历史流量里。因此 TIID 是 单时刻新事件 × 未来 Tp 步衰减，不是多事件历史堆叠。

2. 整机流水线（IGSTGNN）

1

编码

交通序列 → H；传感器属性 → S；事件属性 → I；预计算空间关系张量 D。

2

ICSF（空间）

Q=传感器状态，K/V=事件；用 D 做拓扑掩码；融合 S、D 得注意力；残差：H′_t = LN(H_t + C)。

3

ST 骨干（解耦）

多图卷积（静态 A + 自适应 A_ada + 动态 A_dyn）捕传播；RNN+自注意力捕固有趋势 → H_pred。

4

TIID（时间）

从事件上下文得到 C_init，乘高斯衰减 ω_τ，加到 H_pred，再过预测头。

记忆口诀：ICSF 决定「谁被砸、砸多重」；TIID 决定「砸完之后怎么淡出」。

3. TIID 四步（只记这一段）

3.1 初始事件上下文 C_init

把事件 Key 用空间关系 D 局部化，再与传感器特征 S、关系 D 拼接，经 MLP g_c：

C_init = g_c( K_context || S || D )
每个节点一份「事件刚发生时」的冲击表示（代码里常直接用 ICSF 输出的 incident_context）

3.2 高斯衰减因子

omega_tau = exp( - tau^2 / (2 * sigma_t^2) ) tau = 1 .. T_p , sigma_t = 1.0（固定超参）
tau 是「相对事件发生时刻的未来步数」，不是绝对时间戳
σ_t = 1.0 时，τ=1…12 的相对权重（示意）

τ=1 最大，之后急速变小：第 3 步已约 0.01，长 horizon 上事件残差几乎归零—— 这正是「网络会恢复」的归纳偏置。

3.3 时间调制

C_temp = omega ⊗ ( C_init W_c )
W_c 线性投影到预测隐空间；omega 广播到 (T_p, N, d)

3.4 加法残差叠到骨干

Y_hat = g_out( H_pred + C_temp )
这是 forcing / residual，不是 cross-attention 融合
和你自己项目的对齐点（见 BasicTS plan / event-force）： TIID = 固定高斯时间核 + 加法残差覆盖层。 你的 κ Kernel 路线是「可学习 σ_m + 空间核 + 多事件叠加」——是在 TIID 原型上扩，不是另起炉灶。

4. 为什么选高斯、而不是学一个衰减？

5. 证据：消融与即插即用（汇报数字）

结果数字怎么讲
整模 SOTA Alameda 平均 MAE 比次优低 5.65% 事件引导框架整体有效
长 horizon Orange Horizon 12 仍有 4.1% MAE 优势 直接支持「TIID 捕获恢复动态」
去掉 TIID Alameda MAE 12.69 → 13.23（约 +4.2%） 时间衰减不是装饰
即插即用 D2STGNN + ICSF 8.85%；+TIID 9.85%；双模块 13.23% 空间+时间互补，有协同

6. 数据设定（一句话）

基于 XTraffic（加州 2023）切三个县：Alameda / Contra Costa / Orange； 5 分钟粒度；输入 12 步（1h）→ 预测 12 步（1h）；事件与流量时间对齐； 空间关系张量 D ∈ ℝ^{M×N×3}：欧氏高斯核 + 路网距离高斯核 + 上下游指示。

7. 自测（检索练习）

TIID 的核心操作最接近哪一句？

论文对「事件时间范围」的设定是？

ICSF 与 TIID 的分工？

主源（必读）

Fan et al., Incident-Guided Spatiotemporal Traffic Forecasting, KDD 2026. arXiv: 2602.02528 · HTML: v2 · Code: fanlixiang/IGSTGNN

优先读 §3.4（TIID 公式）与 §4.3（即插即用消融）。

任何公式、图、代码对不上就问我。下一课： 今晚复现路径 + 明天进度汇报话术。