ComputerEngineeringandApplications计算机工程与应用2023，59（7）随着城市化进程的推进和日益增长的人口数，交通拥堵的压力和交通事故的发生日益增加，智能交通系统（ITS）成为交通便利不可或缺的综合技术。交通流量预测既是智能交通系统中重要组成部分之一，同时也是一项富有挑战性的任务。交通速度数据可以由市区公路系统检测器收集或者导航系统记录车辆行驶速度数据⦾大数据与云计算⦾面向改进的时空Transformer的交通流量预测模型高榕1，2，万以亮1，邵雄凯1，吴歆韵11.湖北工业大学计算机学院，武汉4300682.南京大学计算机软件新技术国家重点实验室，南京210093摘要：针对基于时空Transformer模型的交通流量预测模型性能不高的问题，提出了一种基于编解码器的改进的时空Transformer模型（improvedspatio-temporalTransformermodel，ISTTM）。编码器对历史流量特征进行编码，解码器预测未来序列。编码器将空间稀疏自注意力和时间层次扩散卷积相结合，捕捉交通流量的动态空间相关性和局部空间特征，再利用时间自注意力建模非线性时间相关性；解码器与编码器类似地挖掘出输入序列的时空特征。基于编解码器提取的时空特征，采用双重交叉注意力模拟历史交通观测对未来预测的影响，建模每个历史时间步和每个未来时间步的直接关系以及对整个未来时间段的影响，并输出未来交通流量的最终表示。为了证实ISTTM的有效性，在METR-LA和NE-BJ两个真实世界的大规模数据集上进行实验，ISTTM结果优于6个先进的基线。关键词：交通流量预测；时空特征；稀疏自注意力；扩散卷积文献标志码：A中图分类号：TP183doi：10.3778/j.issn.1002-8331.2203-0290TrafficFlowForecastingModelforImprovedSpatio-TemporalTransformerGAORong1，2,WANYiliang1,SHAOXiongkai1,WuXinyun11.SchoolofComputerScience,HubeiUniversityofTechnology,Wuhan430068,China2.StateKeyLaboratoryofNewComputerSoftwareTechnology,NanjingUniversity,Nanjing210093,ChinaAbstract：Toaddressthelowperformanceproblemoftrafficflowpredictionmodelbasedonspatio-temporalTransformermodel,animprovedspatio-temporalTransformermodel（ISTTM）basedonencoder-decoderisproposed.Theencoderencodesthehistoricaltrafficfeaturesandthedecoderpredictsthefuturesequences.Firstly,theencodercombinesspatialsparseself-attentivenessandtemporalhierarchicaldiffusionconvolutiontocapturethe...
