Traffic Transformer：捕捉时间序列的连续性与周期性以实现交通预测

交通流量预测是一项具有挑战性的任务，其难点在于需在不同尺度上联合建模时空依赖关系。近年来，多种混合深度学习模型被提出以捕捉此类依赖关系。这类方法通常采用卷积神经网络（CNN）或图神经网络（GNN）建模空间依赖性，并借助循环神经网络（RNN）学习时间依赖性。然而，RNN仅能捕捉时间序列中的顺序信息，难以建模其周期性特征（如周周期模式）。此外，RNN难以实现并行化，导致训练与预测效率较低。为此，本文提出一种新型深度学习架构——Traffic Transformer，旨在有效捕捉时间序列的连续性与周期性，并建模空间依赖关系。该模型的设计灵感来源于谷歌提出的Transformer架构，该架构最初用于机器翻译任务。我们在两个真实世界交通数据集上进行了大量实验，结果表明，所提模型在预测性能上显著优于现有基线模型。