39、用于交通流量预测的时空图三明治Transformer

用于交通流量预测的时空图三明治Transformer

1. 引言

交通预测在现代智能交通系统中起着至关重要的作用。高效准确的流量预测有助于实现更好的交通管理和规划。传统上，交通流量预测主要依赖于时空模型。然而，由于动态的时间模式、复杂的空间依赖以及它们之间丰富的相互作用难以描述，要实现准确的交通预测仍然具有挑战性。

经典统计模型和序列模型主要关注时间序列输入，却忽略了交通网络的空间相关性，存在很大的改进空间。时空图模型通过将交通网络建模为图，利用图神经网络（GNNs）和循环神经网络（RNNs）或基于卷积的序列学习模型，能够联合捕捉时空相关性，但仍存在以下三个方面的限制：
- 有限范围的时间依赖 ：RNNs在处理长序列时存在长期依赖问题，导致只能描述有限范围的时间依赖。
- 浅层的空间依赖 ：GNNs由于重复的局部聚合，存在过平滑问题，限制了其学习深层和全局空间特征的能力。
- 微弱的时空交互 ：大多数研究分别刻画时间依赖和空间依赖，并以串行或并行的方式组合它们，削弱了时空域之间的联系。

为了解决这些限制，我们提出了一种新颖的时空图三明治Transformer（STGST）用于交通流量预测。

2. 相关工作

交通流量预测受到了广泛关注。经典统计模型如自回归积分滑动平均（ARIMA）和向量自回归（VAR），在捕捉复杂的时空相关性方面存在局限性。为了解决这个问题，大量的时空预测模型被提出，主要应用序列模型捕捉时间依赖，使用图学习模型刻画空间依赖。以下是一些相关工作的简要介绍：
| 模型名称