要約
交通量予測の正確性は、輸送物流などの応用において不可欠であるが、複雑な空間時系列相関や非線形な交通パターンのため、依然として困難な課題である。従来の手法は、空間的依存性と時系列的依存性を別々にモデル化する傾向にあり、それらを効果的に統合できていない。この制約を克服するため、動的空間時系列トレンド変換器（DST2former）が提案される。本手法は、適応的埋め込みを用いて空間時系列相関を捉え、動的情報と静的情報を統合することで、交通ネットワークの多視点動的特徴を学習する。具体的には、時間的および空間的次元の両方に対してエンコーダを用いて動的トレンドを生成する動的トレンド表現変換器（DTRformer）を採用し、クロス空間時系列アテンションによりその情報を統合する。また、事前に定義されたグラフを表現グラフに圧縮することで、静的属性の抽出と冗長性の低減を実現する。4つの実世界交通データセットを用いた実験により、本フレームワークが最先端の性能を達成することが示された。