交通流预测

提出了一种交通流预测框架，采用编码器-解码器架构，编码器负责将历史交通数据编码为中间表示形式，而解码器则自动预测未来交通状态。主要构件是三种注意力层，分别称为时间自我注意力（TSA）、空间自我注意力（SSA）和时间编码器-解码器注意力（TEDA）。编码器和解码器都采用 TSA 和 SSA 来捕捉时间和空间相关性。TEDAs 由解码器使用，允许解码器中的每个位置在时间上关注输入序列中的所有位置。通过利用多图，SSA 可以利用各种归纳偏差进行稀疏空间关注。为了提高模型对时间和空间条件的洞察力，空间-时间嵌入（Space-Temporal Embeddings，STE）是从外部属性中学习的，外部属性由时间属性（如顺序、时间）和空间属性（如拉普拉斯特征图）组成。 然后，所有注意力层通过元学习利用这些嵌入，从而赋予这些层空间-时间异质性感知（STHA）属性。