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。