STAEformer：时空自适应嵌入使朴素Transformer成为交通预测SOTA
机器学习
2023-10-10 v5
摘要
随着智能交通系统（ITS）的快速发展，精准交通预测已成为一项关键挑战。关键瓶颈在于捕捉复杂的时空交通模式。近年来，众多具有复杂架构的神经网络被提出以应对该问题。然而，网络架构上的进展遭遇了递减的性能增益。本研究提出一种称为时空自适应嵌入的新组件，其可使朴素Transformer取得优异结果。我们所提出的时空自适应嵌入Transformer（STAEformer）在五个真实世界交通预测数据集上达到最先进性能。进一步实验表明，时空自适应嵌入通过有效捕捉交通时间序列中内在的时空关联与时序信息，在交通预测中起着至关重要的作用。
引用
@article{arxiv.2308.10425,
title = {STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer SOTA for Traffic Forecasting},
author = {Hangchen Liu and Zheng Dong and Renhe Jiang and Jiewen Deng and Jinliang Deng and Quanjun Chen and Xuan Song},
journal= {arXiv preprint arXiv:2308.10425},
year = {2023}
}
备注
Accepted as CIKM2023 Short Paper