Reference · 打印友好

TIID / IGSTGNN 速查表

压缩精华：公式、模块、数据、命令、汇报数字。详细推导见 0002 / 0003。

身份卡

全称	Incident-Guided Spatiotemporal Traffic Forecasting
框架名	IGSTGNN
核心插件	ICSF（空间）+ TIID（时间衰减）
作者 / 单位	Fan, Li, Zou, Ye, Du · 北航
发表	KDD 2026 · DOI 10.1145/3770854.3780215
arXiv	2602.02528
Code	github.com/fanlixiang/IGSTGNN
Data	Kaggle data4igstgnn

一句话

对最新时刻新事件：ICSF 建空间非均匀初始冲击， TIID 用固定高斯衰减在预测视界上淡出，并加法残差叠到 ST 骨干预测上。

TIID 公式

omega_tau = exp( - tau^2 / (2 * sigma_t^2) )
sigma_t = 1.0 ,  tau = 1 .. T_p
 
C_init = g_c( K_context || S || D )
C_temp = omega ⊗ ( C_init W_c )
Y_hat = g_out( H_pred + C_temp )

ICSF 要点

Q = H_t W_Q
K = I W_K
V = I W_V
A_sem = K Q^T / sqrt(d_k)
Mask by D -> alpha_tilde
alpha = softmax( g_alpha( alpha_tilde || S || D ) )
C = alpha^T V
H'_t = LayerNorm( H_t + C )

D ∈ ℝ^{M×N×3}：欧氏距离高斯核 · 路网距离高斯核 · 上下游指示。

流水线

Encode → ICSF → Decoupled ST（多图 + RNN/Attn）→ TIID → MLP head

数据集

源	XTraffic CA 2023 mainline
粒度	5 min
窗	12 → 12（1h→1h）
划分	70 / 15 / 15
县	Alameda 521 节点 · CC 496 · Orange 990
事件类型	6 大类 / 30 描述

关键数字

Alameda vs 次优	MAE −5.65%
Orange H12	MAE −4.1%
w/o TIID	MAE +4.2%（Alameda）
D2STGNN + both	+13.23% MAE
+ICSF only	+8.85%
+TIID only	+9.85%

复现命令

# 数据
python data/xtraffic/prepare_splits.py --dataset Alameda
 
# 训练
python experiments/IGSTGNN/main.py \
  --device cuda:0 --dataset Alameda \
  --model_name igstgnn --seed 2025 --bs 48 \
  --incident --use_sensor_info

局限（必记）

只建模最新时间步事件（旧事件假设已在流量里）
σ_t 固定；D 预定义不学
无自由文本多模态（类型/描述为类别 embedding）
单事件冲击视角，非多事件年龄堆叠

迁移到本项目

借	高斯时间核；加法残差 forcing；即插即用包装
破	可学习 σ_m；多事件；κ_time × κ_space；文本/多模态外生

口播 30 秒版

「IGSTGNN 用 ICSF 决定事件砸到谁，用 TIID 的固定高斯衰减决定冲击怎么随预测步淡出，再残差加回骨干。长 horizon 收益最大；我们后续把固定单事件核扩成可学习多事件力迫。」