摘要｜ 时空预测（Spatio-temporal forecasting）在交通管理、城市计算等现实应用中具有关键作用。尽管近年来的方法在预测精度上取得了显著提升，但它们往往未能充分考虑当前输入与历史模式之间的动态偏差（dynamic deviations）。这些偏差蕴含着重要信号，对模型性能有着显著影响。为此，我们提出了一种新的时空时间序列预测框架 ST-SSDL（Spatio-Temporal Self-Supervised Deviation Learning），通过引入自监督偏差学习机制（Self-Supervised Deviation Learning），用于捕获并利用这种动态偏差信息。 ST-SSDL将每个输入锚定到其历史平均状态，并通过可学习原型（learnable prototypes）对潜在空间进行离散化，这些原型表示典型的时空模式。为进一步优化该结构，我们设计了两个辅助目标： （1）对比损失（contrastive loss），用于增强不同原型间的判别性； （2）偏差损失（deviation loss），用于正则化输入表示与对应原型间的距离一致性，从而量化偏差程度。 这些组件与主预测目标联合优化，共同引导模型在隐藏空间中形成结构化的模式组织，并提升其在多样输入条件下的泛化能力。在六个基准数据集上的实验结果表明，ST-SSDL在多项指标上均显著优于当前最先进的基线方法。可视化分析进一步验证了该方法在复杂时空场景中对不同偏差程度的自适应响应能力。 项目代码与数据集可在以下链接获取： 🔗 https://github.com/Jimmy-7664/ST-SSDL