PatchSTG: 用于不规则传感器网络交通预测的可扩展时空图变换器

arXiv cs.LG 论文
traffic-forecasting spatiotemporal graph-transformers patch-based sensor-networks scalable

摘要

PatchSTG 提出了一种基于补丁的时空图变换器，用于不规则传感器网络的交通预测，实现了近线性复杂度并保持了有竞争力的性能。

arXiv:2606.09872v1 公告类型：新 摘要：交通预测是智能交通系统的基本组成部分，但由于传感器分布不规则以及建模大规模时空依赖关系的高计算成本，在实际场景中仍然具有挑战性。在实际交通网络中，传感器在区域间分布不均，导致空间结构不均匀，限制了现有基于图和基于注意力模型的有效性和可扩展性。为了解决这些挑战，我们提出了 PatchSTG，一种基于补丁的时空图变换器，专为不规则传感器网络上的高效预测而设计。关键思想是引入一种层次化空间表示，根据地理信息将传感器划分为平衡且保持局部性的补丁。在此结构之上，双注意力编码器在捕捉局部交互的补丁内注意力和建模全局依赖的补丁间注意力之间交替进行，从而将计算复杂度从二次降低到近线性复杂度。我们在罗德岛州以及额外的大规模数据集上的真实交通数据上评估了 PatchSTG。实验结果表明，所提出的模型在多个预测范围上实现了稳定且具有竞争力的预测性能，同时显著提高了计算效率。消融研究进一步验证了空间划分和双注意力在捕捉局部和远程交通动态方面的有效性。这些结果表明，基于补丁的时空建模为不规则空间设置下的交通预测提供了一个可扩展且有效的框架。
查看原文
查看缓存全文

缓存时间: 2026/06/10 06:14 

# PatchSTG：面向不规则传感器网络交通预测的可扩展时空图变换器
来源：https://arxiv.org/abs/2606.09872
查看PDF (https://arxiv.org/pdf/2606.09872)

> 摘要：交通预测是智能交通系统的基础组成部分，但在实际应用中仍面临挑战：传感器分布不规则，以及大规模时空依赖建模的高计算成本。在实际交通网络中，传感器在不同区域分布不均匀，导致空间结构不统一，限制了现有基于图和基于注意力模型的有效性和可扩展性。为解决这些问题，我们提出PatchSTG，一种基于分块的时空图变换器，专为不规则传感器网络上的高效预测而设计。其核心思想是引入一种分层空间表示方法，根据地理信息将传感器划分为平衡且保持局部性的分块。在此结构之上，一个双注意力编码器交替进行块内注意力（捕捉局部交互）和块间注意力（建模全局依赖），将计算复杂度从二次降至近线性。我们在罗德岛的真实交通数据以及额外的大规模数据集上评估了PatchSTG。实验结果表明，所提模型在多个预测时域上实现了稳定且具有竞争力的预测性能，同时显著提高了计算效率。消融研究进一步验证了空间分块和双注意力在捕捉局部和长程交通动态中的有效性。这些结果表明，基于分块的时空建模为不规则空间设置下的交通预测提供了一种可扩展且有效的框架。

## 提交历史

来自：施宣名 \[查看邮箱 (https://arxiv.org/show-email/ce016d85/2606.09872)\] **\[v1\]** 2026年6月2日星期二 09:53:28 UTC (2,081 KB)

相似文章

面向边缘计算流量智能的时空图Transformer

arXiv cs.LG

本文提出了一种用于边缘计算中流量预测的时空图Transformer框架，结合图神经网络捕捉空间相关性，以及Transformer自注意力捕捉长程时间依赖。在真实蜂窝数据上的实验表明，它优于基于循环图的基线模型，如GCN-LSTM和GCN-GRU。

STKAN：用于时空预测的Kolmogorov-Arnold Networks

arXiv cs.LG

本文介绍了STKAN，一种集成泰勒多项式Kolmogorov-Arnold网络模块以实现空间和时间令牌混合的时空预测架构。在五个交通基准上的实验显示出竞争性表现，表明非线性函数逼近器可以补充架构设计。

自适应分块在时间序列预测中比看起来更难实现

arXiv cs.LG

本文从理论和实验两个角度对时间序列 Transformer 的自适应分块方法进行了深入研究，推导出内容自适应分词应优于调优后的均匀分块的条件。在标准基准上的受控实验表明，经过良好调优的均匀基线与动态分块方法具有相当的竞争力，这对自适应方法所假设的优势提出了质疑。