arXiv 于 2026 年 5 月 11 日发布了一篇题为《维度平衡提升大规模时空预测性能》（Dimensional Balance Improves Large Scale Spatiotemporal Prediction Performance）的预印本论文，作者为 Jing Chen 等六人，提交时间为当日 06:29:26 UTC，论文编号 arXiv:2605.18793v1，属于机器学习（cs.LG）与人工智能（cs.AI）交叉领域。该研究聚焦城市交通、气象和公共卫生监测等场景中至关重要的时空模式分析问题，并针对现有方法普遍存在的性能瓶颈提出了一套新的思路与框架。
研究团队首先指出现有方法的两个突出问题：其一，性能提升往往只是增量式的，边际收益有限；其二，模型在跨领域迁移时表现不佳，通用性受限。为了诊断这一瓶颈，作者引入了空间熵与时间熵的度量，将其作为刻画时空复杂度失配程度的诊断性指标，而非把熵对齐本身当作预测精度提升的保证。实证观察显示，在固定的模型容量预算下，时空失配程度越大，预测不确定性往往越高。这一发现为后续方法设计提供了直接依据。
在该诊断结论的指导下，作者提出了一个可扩展的自适应框架，用于协调空间与时间特征表示之间的平衡。具体而言，框架一方面通过低秩矩阵嵌入对空间维度进行压缩，以在降低复杂度的同时保留关键结构信息；另一方面通过扩展时间视野来捕捉长程依赖关系，并缓解由时间异质性带来的累积误差。这种在空间压缩与时间扩展之间取得的平衡，正是论文标题中“维度平衡”的核心含义。
为验证方法的有效性，作者在城市交通、气象和疫情三类数据集上开展了大量实验。结果显示，该框架在预测精度上取得了显著提升，并在所评估的多个领域中都展现出广泛的适用性，表明其有潜力推广到本研究之外更广泛的时空预测任务。值得注意的是，作者在摘要中明确将熵度量定位为诊断工具，体现了对结论边界的谨慎态度，也提示读者不应将熵对齐简单理解为提升预测性能的充分条件。
论文代码已在 GitHub 上开源，仓库地址为 https://github.com/ST-Balance/ST-Balance，便于研究者复现实验并在此基础上继续探索。总体来看，该工作从复杂度失配的诊断视角切入，结合低秩空间压缩与长时程建模，为大规模时空预测提供了一种兼顾精度与可扩展性的思路。该预印本尚处于公开评议阶段，其跨领域泛化能力与在不同模型容量条件下的表现仍有待社区进一步检验。