超越固定变量：通过平面方案和时空聚焦学习扩展变变量时间序列预测

本研究解决了多变量时间序列预测中的一个重要问题：应对随着新传感器部署而增加的变量数量以及由此带来的数据不一致和时空学习不平衡。我们提出了一种创新的框架STEV，结合平面方案和时空聚焦学习，显著提高了对扩展变量的预测性能，实验结果表明，该方法在仅使用5%的观测数据的情况下可与传统模型相媲美，显示了其在实际应用中的广泛适用性。