首个时空时序推理框架STReasoner：让大模型具备跨时空因果溯源能力

来自埃默里大学、微软与格里菲斯大学等机构的研究团队联合提出了STReasoner——首个面向时空时间序列推理的Time Series LLM框架。该模型突破了传统预测方法的局限，能够同时整合时间动态、空间依赖与语义查询，在因果溯源、空间关系推理与时序预测等任务上实现显著性能提升。更值得关注的是，其计算成本仅为闭源模型的0.004倍，展现出极强的实用性与可扩展性。

时空数据广泛存在于交通网络、电力系统与疾病传播等现实系统中，传统方法主要关注数值预测的准确性，却难以回答「哪个节点导致了当前异常」「影响是如何沿空间结构传播的」这类关键决策问题。STReasoner的核心创新在于：模型首先定位目标节点的异常时刻（时间维度），随后沿图结构回溯潜在影响路径（空间维度），并对齐不同节点之间的传播延迟（时空耦合），最终识别真实的因果源头。这一过程要求模型具备跨节点、跨时间步的结构化推理能力，而非简单的单点预测。

该研究指出了时空推理发展的三大瓶颈：高质量对齐数据的匮乏、系统化任务定义的缺失，以及有效的融合训练机制的空白。STReasoner通过构建统一框架回应了这些挑战。实验结果表明，该模型在真实数据上具备强泛化能力，为智慧交通、电网运维、公共卫生监测等领域提供了新的技术路径。论文已在arXiv发表，相关代码同步开源。