STPFormer：面向交通预测的基于模式感知的时空 Transformer
人工智能
2025-08-20 v1
摘要
时空交通预测因复杂的时序模式、动态的空间结构以及多样化的输入格式而具有挑战性。虽然 Transformer 模型提供了强大的全局建模能力，但往往在刚性时序编码和空间-时间融合方面表现不足。我们提出了 STPFormer，这是一种时空模式感知 Transformer，通过统一且可解释的表征学习实现了领先的性能。它集成了四个模块：用于模式感知时序编码的时序位置聚合器（TPA），用于顺序空间学习的空间序列聚合器（SSA），用于跨域对齐的时空图匹配（STGM），以及用于多尺度融合的注意力混合器。在五个真实数据集上的实验表明，STPFormer 在所有数据集上都稳居 SOTA，并通过消融实验和可视化结果确认了其有效性和普适性。
关键词
引用
@article{arxiv.2508.13433,
title = {STPFormer: A State-of-the-Art Pattern-Aware Spatio-Temporal Transformer for Traffic Forecasting},
author = {Jiayu Fang and Zhiqi Shao and S T Boris Choy and Junbin Gao},
journal= {arXiv preprint arXiv:2508.13433},
year = {2025}
}