轻量级时空注意力网络：结合图嵌入与旋转位置编码用于交通预测
人工智能
2026-04-21 v1
摘要
交通预测是智能交通系统领域的关键任务。近期研究主要关注将图神经网络(GNN)与其他模型结合。然而，GNN仅考虑短程空间信息。本文提出一种新型模型，称为LSTAN-GERPE（Lightweight Spatio-Temporal Attention Network with Graph Embedding and Rotational Position Encoding）。该模型利用Temporal和Spatial注意力机制有效捕获长程交通动力学。此外，通过在空间和时间注意力机制中进行网格搜索确定旋转位置编码的最优频率。这种系统化优化使模型能够有效捕获复杂的交通模式。该模型还通过将地理位置图整合到时空嵌入中来增强特征表示。无需 extensive 特征工程，本文提出的方法在真实世界的交通预测数据集PeMS04和PeMS08上实现了先进的准确性。
关键词
引用
@article{arxiv.2505.12136,
title = {Lightweight Spatio-Temporal Attention Network with Graph Embedding and Rotational Position Encoding for Traffic Forecasting},
author = {Xiao Wang and Shun-Ren Yang},
journal= {arXiv preprint arXiv:2505.12136},
year = {2026}
}