Mit der rasanten Entwicklung des Intelligenten Verkehrssystems (ITS) ist die präzise Verkehrsprognose zu einer zentralen Herausforderung geworden. Der entscheidende Engpass liegt in der Erfassung der komplexen raumzeitlichen Verkehrsstrukturen. In den letzten Jahren wurden zahlreiche neuronale Netze mit komplexen Architekturen vorgeschlagen, um dieses Problem zu bewältigen. Doch die Fortschritte in den Netzarchitekturen stoßen zunehmend auf abnehmende Leistungsverbesserungen. In dieser Studie stellen wir ein neuartiges Komponentenkonzept namens raumzeitlich adaptives Embedding vor, das herausragende Ergebnisse bereits mit einfachen Transformers erzielt. Unser vorgeschlagener Spatio-Temporal Adaptive Embedding Transformer (STAEformer) erreicht state-of-the-art-Leistung auf fünf realen Verkehrsprognosedatenbanken. Zusätzliche Experimente zeigen, dass das raumzeitlich adaptive Embedding eine entscheidende Rolle bei der Verkehrsprognose spielt, indem es die inhärenten raumzeitlichen Beziehungen sowie chronologische Informationen in Verkehrszeitreihen effektiv erfasst.