摘要：交通流数据本身具有明显的时空特性，不仅与时间和位置密切相关，还与道路网络的空间结构息息相关。目前的研究方法通常依赖于复杂的神经网络来捕捉交通流的时空相关性，但往往未能深入挖掘交通流数据的内在属性。此外，现有方法对于嵌入层的数据处理和交通流的时空特征也缺乏充分的探讨。为了解决这些问题，提出了一种名为KASTFormer的模型。该模型通过关键节点感知空间自注意力机制，有效地捕捉交通流枢纽道路的特征，并结合时间、语义和地理自注意力机制，进一步加强了短期和长期时空依赖的建模。同时，设计了一种时空自适应嵌入方法，通过统一建模时空关系捕捉交通流数据及其时空特征。最后，通过在三个数据集上的实验验证了模型的有效性，并通过消融实验和模型结构性能分析进一步证明了其实际效果。
文章目录
1 相关工作
1.1 交通流预测
1.2 注意力机制和Transformer
2 模型方法
2.1 问题定义
2.2 时空自适应嵌入层
2.2.1 时间周期嵌入
2.2.2 时间位置嵌入
2.2.3 自适应嵌入
2.3 时空编码器层
2.3.1 时间自注意力层
2.3.2 空间自注意力层
2.3.3 多头注意力融合模块
2.4 输出层
3 实验验证与分析
3.1 实验设置
3.1.1 数据集设置
3.1.2 基准线模型
3.1.3 评价指标和损失函数
3.1.4 实验配置
3.2 模型对比实验与分析
3.3 消融实验
