スマート交通システム（ITS）の急速な発展に伴い、正確な交通量予測は重要な課題として浮上している。その核心的な課題は、複雑な空間時系列的な交通パターンを捉えることにある。近年、このような課題に対処するために、構造が複雑な多数のニューラルネットワークが提案されてきた。しかし、ネットワークアーキテクチャの進展は、性能向上の効果が徐々に鈍化する局面に直面している。本研究では、シンプルなTransformerモデルでも優れた結果を達成できる新たなコンポーネントとして、「空間時系列適応埋め込み（Spatio-Temporal Adaptive Embedding）」を提案する。本研究で提案する「空間時系列適応埋め込みTransformer（STAEformer）」は、5つの実世界交通予測データセットにおいて、最先端の性能を達成した。さらに実験を通じて、空間時系列適応埋め込みが交通予測において重要な役割を果たしていることが示された。これは、交通時系列データに内在する空間時系列的関係性および時系列的な情報を効果的に捉えることによって実現されている。