Naukowcy zaproponowali GenST, nowy framework do prognozowania stanów w sensorach, które nigdy nie były obserwowane w sieci pomiarowej. Problem Forecast Unobserved Node States (FUNS) to realna trudność w logistyce i planowaniu miast, gdzie koszty wdrożenia czujników ograniczają możliwość pełnego pokrycia obszaru. Zamiast polegać wyłącznie na historycznych pomiarach, zespół zdefiniował zagadnienie jako zadanie warunkowego generowania na grafach spatio-temporalnych.
Kluczową innowacją jest wykorzystanie pre-trained LLM jako semantycznego mostu. Model języka jest fine-tunowany, aby wydobywać bogate cechy opisowe z tekstowych charakterystyk węzłów, takie jak typ funkcjonalny terenu czy struktura sieci drogowej. GenST działa w dwustopniowej architekturze: najpierw Spatio-Temporal VAE kompresuje dynamikę czasoprzestrzenną do przestrzeni ukrytej, następnie Generative Transformer rekonstruuje przyszłe stany nieobserwowanych węzłów z szumu, kierując się warunkami wielomodalnymi - semantyką, współrzędnymi geograficznymi i kontekstem sąsiadów.
Experymenty na sześciu zbiorach danych transportowych i dwóch innych pokazały, że GenST znacząco przewyższa istniejące rozwiązania w zadaniach zero-shot prediction. To podejście ma praktyczne znaczenie dla miast i systemów logistycznych, gdzie pełne pokrycie sensoryczne jest niemożliwe - pozwala efektywnie prognozować trendy w miejscach, gdzie nigdy nie było pomiarów.