본 논문은 기후, 에너지, 도시 환경과 같은 실제 공간-시간 시스템에서 불확실성 정량화를 위한 확률적 예측의 중요성을 강조하며, 복잡한 공간-시간 역학과 높은 계산 요구량으로 인해 확산 모델의 공간-시간 예측 적용이 제한적인 점을 지적합니다. 이에 따라, 결정론적 모델과 확산 모델을 결합한 새로운 프레임워크인 CoST를 제안합니다. CoST는 조건부 평균을 포착하는 강력한 결정론적 모델과 잔여 불확실성을 학습하는 경량 확산 모델을 활용하는 평균-잔차 분해 전략을 사용하여 학습 목표를 단순화하고, 예측 정확도를 높이며, 불확실성 정량화를 가능하게 하고, 계산 효율성을 크게 향상시킵니다. 공간적 이질성을 해결하기 위해, 확산 과정을 안내하는 규모 인식 확산 메커니즘을 설계했습니다. 기후, 에너지, 통신 및 도시 시스템의 10개 실제 데이터 세트에 대한 광범위한 실험을 통해 CoST가 최첨단 기준선보다 25%의 성능 향상을 달성하면서 계산 비용을 크게 줄이는 것을 보여줍니다.
