FAST：注意力与时序状态模型的协同框架用于时空交通预测
机器学习
2026-04-16 v1
摘要
交通预测需要建模复杂的时序动力学和大规模传感器网络中的远程空间依赖关系。现有方法通常在表达性和效率之间存在权衡：基于 Transformer 的模型能够捕获全局依赖关系，但受制于二次时间复杂度，而近期的选择性时序状态模型计算高效但在处理图结构交通数据时不够有效。我们提出 FAST，一个集成注意力和时序状态建模的统一框架，用于可扩展的时空交通预测。FAST 采用时-空-时结构，其中时序注意力模块捕获短期和长期时序模式，基于 Mamba 的空间模块以线性复杂度建模远程传感器间的依赖关系。为更好地表示异构交通情境，FAST 进一步引入可学习的多源时空嵌入，整合历史交通流量、时序上下文和节点级信息，并配合多层跳过预测机制实现层次化特征融合。在 PeMS04、PeMS07 和 PeMS08 数据集上进行的实验表明，FAST 在所有基准测试中均显著优于来自 Transformer、图神经网络、注意力和 Mamba 系列方法的强基线。特别是，FAST 在所有三个基准测试中实现了最佳均方绝对误差和均方根误差，相较于最强基线实现误差分别降低最高 4.3% 和 2.8%，显示出在准确性、可扩展性和泛化性之间取得良好平衡。
引用
@article{arxiv.2604.13453,
title = {FAST: A Synergistic Framework of Attention and State-space Models for Spatiotemporal Traffic Prediction},
author = {Xinjin Li and Jinghan Cao and Mengyue Wang and Yue Wu and Longxiang Yan and Yeyang Zhou and Ziqi Sha and Yu Ma},
journal= {arXiv preprint arXiv:2604.13453},
year = {2026}
}
备注
Accepted by ICME 2026