标签
EMAGN 是一种用于交通预测的高效多注意力图网络，通过学习聚类实现自注意力的线性化，将复杂度从二次降至线性，同时保持接近全注意力模型的准确性，并在训练时间、推理时间和 GPU 内存方面显著降低。
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。
本文研究了在交通预测中是否需要复杂的基于Transformer的注意力机制来提取全局空间信息，发现简单的全局聚合算子在更低计算复杂度下实现了相当的性能。
本文提出了面向时间序列基础模型的状态分层评估方法，揭示出聚合指标会掩盖交通状态转换期间的严重失败，并提出了双峰混合增强方法，在保持整体准确性的同时改善覆盖范围。
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。
提出了GC-MoE，一种用于交通预测的图条件专家混合框架，该框架根据图拓扑和近期输入为每个节点分配个性化的冻结预训练时空图神经网络专家组合，仅训练一个轻量级路由模块（约1.7万个参数），并在四个基准数据集上取得了有竞争力的性能。
提出了一种具有成对编码和基于事件的邻接矩阵的全局-局部图注意力网络（GLGAT）用于交通预测，有效捕捉时空相关性，并在真实数据集上取得了有竞争力的性能。