两篇研究论文介绍了一种新颖的基于Transformer的交通预测架构。第一篇是轻量级且可解释的Transformer，它使用混合图算法展开方法和ADMM来捕获空间和时间相关性，从而大大减少了参数数量。第二篇PatchSTG通过采用基于块的分层空间表示和双注意力机制来处理不规则传感器网络中的可扩展性问题，从而有效地进行局部和全局依赖建模。 AI
影响 这些新的Transformer架构为交通预测提供了更高的准确性和计算效率，可能使智能交通系统受益。
排序理由 arXiv上发表的两篇学术论文展示了AI在交通预测方面的新研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2505.13102v4 Announce Type: replace-cross Abstract: Unlike conventional "black-box" transformers with classical self-attention mechanism, we build a lightweight and interpretable transformer-like neural net by unrolling a mixed-graph-based optimization algorithm to forecast…
arXiv:2606.09872v1 Announce Type: cross Abstract: Traffic forecasting is a fundamental component of intelligent transportation systems, yet remains challenging in real-world settings due to irregular sensor distributions and the high computational cost of modeling large-scale spa…