交通流预测

提出了一种a novel multiview spatial-temporal trans-former 网络，可以有效地从多个视角学习复杂的时空域相关性和潜在模式。首先，我们检查了一个时间视图，并从短时子视图中设计了一个短程门控卷积分量，从沿时子视图中设计了一个长程门控卷积分量。这两个组件有效地汇聚了多粒度的时域知识，并挖掘出节点跨时间步长的演化模式。同时，在空间视图中，我们设计了一个双图空间学习模块，分别从静态和动态图子视图中捕捉节点的固定和动态空间依赖关系，以及边的演变模式。此外，我们还进一步设计了空间-时间转换器，通过多视图知边融合挖掘不同层次的空间-时间特征。在四个真实交通数据集上的广泛实验表明，我们的方法始终优于最先进的基线方法。