Multi-scale spatial-temporal transformer for traffic flow prediction

Zicheng Qiu

doi:10.1038/s41598-025-33625-z

Multi-scale spatial-temporal transformer for traffic flow prediction

2025-12-25

0

OA

AI

DOI：10.1038/s41598-025-33625-z

原文链接

查看原文

摘要

En 中文

交通流量预测是智能交通系统（ITS）的关键组成部分，在提高出行效率和增强道路安全方面发挥着重要作用。然而，由于复杂的时空依赖性，特别是空间异质性和多尺度时间模式，实现准确预测仍然具有挑战性。为解决这些挑战，我们提出了一种名为多尺度时空Transformer（MSSTFormer）的新型框架。它整合了一个两阶段空间注意力模块来提取空间特征，该模块处理全局和局部依赖关系之间的复杂关系，并增强强相关关键节点之间的交互。通过这种方式，模型捕捉关键空间关系的能力得到了显著提升。此外，模型中的频率双通道注意力模块是一个新型模块，可以通过分解多尺度时间特征，并通过高频和低频成分之间的相互作用分别建模长期趋势和短期波动，来增强模型捕捉复杂时间动态的能力。此外，模型在数据嵌入层中引入了门控机制以消除冗余信息，从而优化输入数据质量。在四个公开交通数据集上的实验结果表明，MSSTFormer在大多数数据集上优于现有模型，显示出预测准确率的提升。此外，我们通过可视化学习到的频率双通道注意力权重来增强模型的可解释性。我们的代码可在https://github.com/whaaaa123/MSSTFormer获取。

Keyword:

Civil engineering

Computer science

Engineering

Information technology

Mathematics and computing

Traffic flow prediction

Attention mechanism

Spatial–temporal

Frequency domain

Science

Humanities and Social Sciences

multidisciplinary

Multi-scale spatial-temporal transformer for traffic flow prediction

摘要

AI总结

期刊

机构