DSTTN
这是一篇来自Engineering Applications of Artificial Intelligence的最新论文
该文代码在：https://github.com/RongzhangCheng/DSTTN.
本文的实验部分值得学习
该文的摘要部分：
最近的研究将Transformer架构广泛应用于交通流预测，提出了各种解决方案来有效地捕捉交通数据的非线性时空相关性。为了更好地模拟交通流数据，一些工作强调了在学习交通流数据的时空相关性时同时考虑时空异质性的必要性。然而，现有的方法都没有成功地实现在学习时空相关性的同时有效捕捉时空异质性的目标。为了应对这些挑战，我们提出了一种交通流预测模型，称为解耦图时空变换网络（DSTTN）。该模型的核心是一个时空解耦表示学习模块，旨在解耦时空嵌入并将其应用于变压器网络，与多头注意力机制集成。通过时空解耦表示学习注意机制，该模型在时空嵌入结构嵌入后有效地实现了输入特征嵌入的时空解耦学习，从而增强了模型学习表示学习的时空特征的能力。这使得该模型能够提取时空相关性，并基于图变换器模型对时空异质性进行建模。在六个真实世界的交通数据集上进行的实验表明，我们的模型优于十二个比较模型，验