重新思考城市移动性预测：一种超级多元时间序列预测方法

长期城市移动性预测在城市设施与服务的有效管理中至关重要。传统上，城市移动性数据被构建为时空视频，将经纬度网格作为基本像素。因此，依赖卷积神经网络（CNNs）与视觉Transformer（ViTs）的视频预测方法在该领域发挥了关键作用。在我们的研究中，我们引入了对城市移动性预测的新视角。我们不再将城市移动性数据过度简化为传统视频数据，而是将其视为复杂的多元时间序列。该视角需要将各通道中每个网格的时变值视为独立的时间序列，从而必须深入考察时间动态、跨变量相关性与频域洞察，以实现精确可靠的预测。为应对此挑战，我们提出超级多元城市移动性Transformer（SUMformer），其利用专门设计的注意力机制计算时间与跨变量相关性，并降低由大量时间序列带来的计算成本。SUMformer还采用低通滤波器提取长期预测所需的关键信息。此外，SUMformer构建了时间块合并机制，形成分层框架，能够捕捉多尺度相关性。因而，它在城市移动性模式建模与长期预测上表现卓越，在三个真实世界数据集上优于当前最先进方法。