为了优化智能交通系统（ITS）中的交通流管理，及时准确的交通预测的关键性已引起了大量学术关注。在道路图结构中，时空图神经网络（STGNNs）因其适应性而受到赞赏。然而，目前关于 STGNNs 架构的研究往往更偏向于复杂设计，从而导致计算负担增加，但提高的准确性不明显。为了解决这个问题，我们提出了 ST-MLP，一种基于级联多层感知机（MLP）模块和线性层的简洁时空模型。具体来说，我们结合了时间信息、空间信息和预定义的图结构，并成功实现了通道独立策略 —— 这是一种在时间序列预测中有效的技术。实证结果表明，ST-MLP 在准确性和计算效率方面优于最先进的 STGNNs 和其他模型。我们的发现鼓励在交通预测领域进一步探索更简洁和有效的神经网络架构。

Aug, 2023

本研究提出了一种集成的三维图形方法，将空间和时间信息融合在一起，并考虑跨时间的交互信息，以更准确地预测车辆轨迹。实验证明，该方法在长时间范围的轨迹预测中表现优于其他基线方法。

Nov, 2023

提出了一种基于空间 - 时间大型语言模型（ST-LLM）的交通预测方法，通过重新定义位置上的时间步长作为标记，并结合空间 - 时间嵌入模块来学习标记的空间位置和全局时间表示，在提供统一的空间和时间信息的基础上，进一步提出了一种部分冻结的 LLM 关注策略，用于捕捉交通预测的空间 - 时间依赖关系。综合实验表明 ST-LLM 在真实交通数据集上优于最先进的模型，同时在少样本和零样本预测场景中也表现出鲁棒性。

Jan, 2024

本文提出了一种多层多视图增强时空 Transformer（LVSTformer）用于交通预测，该模型旨在从局部地理、全局语义和关键节点三个不同层次捕获空间依赖性，同时还具备长期和短期的时间依赖性，通过结合三种空间增强视图与三个并行空间自注意机制，模型可以全面捕获不同层次的空间依赖性，并且采用门控时间自注意机制有效捕捉长期和短期的时间依赖性。此外，在两个时空层之间引入了时空上下文广播模块，以确保注意力分配的均匀分布，缓解过拟合和信息损失，增强模型的泛化能力和鲁棒性。通过在六个知名交通基准上进行全面的实验，实验结果表明 LVSTformer 相比竞争基线模型实现了最先进的性能，最大改进幅度达到了 4.32%。

Jun, 2024

该研究提出一种基于深度学习的 Deep Multi-View Spatial-Temporal Network (DMVST-Net) 框架，用于在城市的出租车运营中预测需求，包括空间和时间相关性，并借助大数据的支持，提高了交通预测问题的效果。

Feb, 2018

复杂多元时间序列预测中，通过简单的线性模型结构来整合时间嵌入和空间信息的 SpatioTemporal-Linear 框架优于深度学习技术中的线性模型和 Transformer 模型在多种观测和预测时长的数据集上的性能表现。

Dec, 2023

本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性，其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性，并利用跨多个时间步骤的长程双向时间依赖性。实验证明，该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。

Jan, 2020

STLinear 是一种能够优化智能交通系统和智慧城市愿景的交通预测模型，通过节点嵌入方法、时间序列分解和周期性学习解决了空间 - 时间图神经网络的计算复杂度、梯度问题和资源消耗性等挑战。通过实证研究，STLinear 在真实世界数据集上表现出色，不仅匹配或超过领先的空间 - 时间图神经网络的准确性，而且大幅减少了计算复杂度和计算开销（每个周期的 MACs 相比于 2023 年最先进的空间 - 时间图神经网络基线减少了 95% 以上），是传统模型的有效替代方案，对智能交通系统和智慧城市倡议的未来有深远的影响。

Aug, 2023

提出了一个多通道时空变换模型用于交通流量预测，通过融合来自不同通道的交通数据结果，改善了预测准确性。该模型使用图卷积网络从每个通道提取空间特征，并使用基于变换器的体系结构捕捉通道之间的时间依赖性。在六个真实数据集上的实验证明，引入多通道机制到时间模型中提高了性能，并且在准确性方面优于现有模型。

May, 2024

本文提出一种空间 - 时间动态网络（STDN）进行交通预测，该网络引入流量控制机制来学习位置之间的动态相似性，设计周期移位关注机制来处理长期周期性时间移位，并在实际交通数据集上进行实验验证。

Mar, 2018