面向大规模城市数据预测的时空上下文化 MLP-Mixer

时空交通数据 (STTD) 呈现出复杂的相关结构。已设计大量先进技术以捕捉这些结构从而实现有效预测。然而，由于 STTD 通常规模庞大，实践者需要在有效性与效率之间使用计算高效模型来取得平衡。一种基于多层感知机 (MLP) 的替代范式称为 MLP-Mixer，具有简洁与有效的潜力。受其于其他领域成功的启发，我们提出一个适配版本，命名为 NexuSQN，用于大规模 STTD 预测。我们首先识别出直接应用 MLP-Mixer 时所面临的序列与窗口层面的多值性挑战。为区分空间与时间模式，随后提出 ST-上下文化的概念。我们的结果惊人地表明，这一简单而有效的方案在若干交通基准测试上可与 SOTA 基线媲美。此外，NexuSQN 展示了跨不同领域的通用性，包括能源与环境数据，并已在与百度的协作项目中部署，用于预测北京和上海等特大城市的拥堵。我们的发现有助于探索面向真实世界 STTD 预测的简洁而有效的模型。