traffic-forecasting

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。