본 논문은 공간-시간 데이터의 예측 및 보간을 위한 새로운 모델인 STD-PLM을 제안합니다. 기존 방법들이 개별적인 예측 또는 보간 작업에만 초점을 맞춘 것과 달리, STD-PLM은 예측과 보간 작업 모두를 수행할 수 있도록 설계되었습니다. 특히, 사전 훈련된 언어 모델(PLM)을 기반으로 하여 복잡한 공간-시간 상관관계를 효과적으로 모델링하고, 제로샷 및 퓨샷 학습에도 효과적입니다. 공간 및 시간 토큰화기를 통해 공간-시간 상관관계를 이해하고, 위상을 고려한 노드 임베딩을 통해 데이터의 위상 구조를 유도적으로 활용합니다. 또한, 모래시계 어텐션 모듈(SGA)과 제약 손실 함수를 사용하여 PLM의 효율성 문제를 완화합니다. 다양한 데이터셋에서의 실험 결과, STD-PLM은 예측 및 보간 작업 모두에서 경쟁력 있는 성능과 일반화 능력을 보여주며, 제로샷 및 퓨샷 학습에서도 우수한 결과를 얻었습니다.