STAEformer：时空自适应嵌入使得传统Transformer在交通预测中达到SOTA
摘要：智能交通系统的快速发展使得准确的交通预测成为一个关键挑战。关键瓶颈在于捕捉复杂的时空交通模式。近年来，已经提出了许多具有复杂架构的神经网络来解决这个问题。然而，网络架构的进展遇到了性能收益的递减。在本研究中，我们提出了一种新颖的组件，称为时空自适应嵌入，可以使用普通的Transformer产生出色的结果。我们提出的时空自适应嵌入Transformer（STAEformer）在五个真实世界的交通预测数据集上实现了最先进的性能。进一步的实验证明，时空自适应嵌入通过有效地捕捉交通时间序列中的内在时空关系和时间信息，在交通预测中发挥着关键作用。
作者：Hangchen Liu, Zheng Dong, Renhe Jiang, Jiewen Deng, Jinliang Deng, Quanjun Chen and Xuan Song
论文ID：2308.10425
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29