Urbane räumlich-zeitliche Foundation-Modelle für klimaresilientes Wohnen: Skalierung von Diffusion-Transformern zur Katastrophenrisikovorhersage

Urban Spatio-Temporal Foundation Models for Climate-Resilient Housing: Scaling Diffusion Transformers for Disaster Risk Prediction

February 5, 2026

Autoren: Olaf Yunus Laitinen Imanov, Derya Umut Kulali, Taner Yilmaz

cs.AI

Zusammenfassung

Klimagefahren beeinträchtigen zunehmend den städtischen Verkehr und Notfallmaßnahmen, indem sie Wohnraum beschädigen, Infrastruktur verschlechtern und die Netzwerkerreichbarkeit verringern. Dieses Papier stellt Skjold-DiT vor, ein Diffusions-Transformer-Framework, das heterogene räumlich-zeitliche urbane Daten integriert, um klimabedingte Risikoindikatoren auf Gebäudeebene zu prognostizieren und dabei explizit die Verkehrsnetzstruktur sowie Erreichbarkeitssignale für intelligente Fahrzeuge (z.B. Notfallerreichbarkeit und Evakuierungsrouten-Beschränkungen) einbezieht. Konkret ermöglicht Skjold-DiT gefahrenbedingte Routing-Beschränkungen, indem es kalibrierte, unsicherheitsbewusste Erreichbarkeitsebenen (Erreichbarkeit, Reisezeitverlängerung und Routenredundanz) erzeugt, die von Routing-Systemen für intelligente Fahrzeuge und Notfalldispositionen genutzt werden können. Skjold-DiT kombiniert: (1) Fjell-Prompt, eine prompt-basierte Konditionierungsschnittstelle zur Unterstützung des städteübergreifenden Transfers; (2) Norrland-Fusion, einen cross-modalen Aufmerksamkeitsmechanismus, der Gefahrenkarten/Bilder, Gebäudeattribute, Demografie und Verkehrsinfrastruktur in einer gemeinsamen latenten Repräsentation vereint; und (3) Valkyrie-Forecast, einen kontrafaktischen Simulator zur Generierung probabilistischer Risikotrajektorien unter Interventions-Prompts. Wir stellen den Baltic-Caspian Urban Resilience (BCUR)-Datensatz mit 847.392 Gebäudebeobachtungen aus sechs Städten vor, einschließlich Multi-Gefahren-Annotationen (z.B. Hochwasser- und Hitzeindikatoren) und verkehrsbezogenen Erreichbarkeitsmerkmalen. Experimente bewerten die Prognosequalität, städteübergreifende Generalisierung, Kalibrierung und verkehrsrelevante Ergebnisse, einschließlich Erreichbarkeit und gefahrenbedingter Reisezeiten unter kontrafaktischen Interventionen.

English

Climate hazards increasingly disrupt urban transportation and emergency-response operations by damaging housing stock, degrading infrastructure, and reducing network accessibility. This paper presents Skjold-DiT, a diffusion-transformer framework that integrates heterogeneous spatio-temporal urban data to forecast building-level climate-risk indicators while explicitly incorporating transportation-network structure and accessibility signals relevant to intelligent vehicles (e.g., emergency reachability and evacuation-route constraints). Concretely, Skjold-DiT enables hazard-conditioned routing constraints by producing calibrated, uncertainty-aware accessibility layers (reachability, travel-time inflation, and route redundancy) that can be consumed by intelligent-vehicle routing and emergency dispatch systems. Skjold-DiT combines: (1) Fjell-Prompt, a prompt-based conditioning interface designed to support cross-city transfer; (2) Norrland-Fusion, a cross-modal attention mechanism unifying hazard maps/imagery, building attributes, demographics, and transportation infrastructure into a shared latent representation; and (3) Valkyrie-Forecast, a counterfactual simulator for generating probabilistic risk trajectories under intervention prompts. We introduce the Baltic-Caspian Urban Resilience (BCUR) dataset with 847,392 building-level observations across six cities, including multi-hazard annotations (e.g., flood and heat indicators) and transportation accessibility features. Experiments evaluate prediction quality, cross-city generalization, calibration, and downstream transportation-relevant outcomes, including reachability and hazard-conditioned travel times under counterfactual interventions.