基于空间数据管理视角的 Transformer 大规模交通预测高效方法

道路交通预测在智能交通场景中至关重要，如城市管理和个人出行中的交通调度和路径规划。空间-时间图神经网络 (STGNN) 作为该任务的主流解决方案，但基于显著动态空间建模的 STGNN 的二次复杂度已成为大规模交通数据处理的瓶颈。从空间数据管理视角，我们提出一种新颖的 Transformer 框架，称为 PatchSTG，用于高效、动态地对大规模交通预测建模，同时保持可解释性和精确性。具体而言，我们设计了一种不规则空间分块方法，以减少动态计算中涉及的点数量。该不规则空间分块首先利用叶 K 维树 (KDTree) 递归划分不规则分布的交通点到容量较小的叶节点，然后通过填充和回溯将属于相同子树的叶节点合并为占用相等且不重叠的分块。基于分块后的数据，在编码器中交替使用深度注意力和宽度注意力，以动态学习来自分块内点以及来自相同索引下分块的点的局部和全局空间知识。在四个真实世界大规模交通数据集上的实验结果表明，PatchSTG 在训练速度和内存利用率上分别实现了最高可达 $10\times$ 和 $4\times$ 的提升，同时保持领先的性能。