STAGformer：用于微移动需求预测的时空代理图转换器

arXiv:2607.06614v1 发布类型：new 摘要：准确的站点级需求预测对于共享单车系统的高效运行至关重要，但由于复杂的时空依赖性和大规模的城市网络，它仍然具有挑战性。本文提出了 STAGformer，一种时空代理图转换器，可实现具有线性计算复杂度的高效全局建模。该模型引入了两步代理注意力机制，其中一小组可学习的空间和时间代理令牌首先聚合全局信息，然后将其广播回各个站点和时间步，有效捕获远程交互，同时将标准自注意力的二次成本降低到 O(NT)。 STAGformer 集成了四个核心模块：将动态节点特征与外部上下文因素（天气、时间、兴趣点）融合的时空编码器、用于空间邻居聚合的图传播模块、用于局部模式提取的时间卷积模块以及用于全局依赖性建模的代理注意模块。对两个现实世界数据集（NYC Citi-Bike 和 Chicago Divvy-Bike）的广泛实验表明，STAGformer 在多个预测范围内始终优于最先进的基线，在 RMSE 和 MAE 方面实现了显着改进。消融研究验证了每个组件的贡献，代理注意力机制被证明对于建模全局时空依赖性至关重要。