xMTrans：用于长期交通预测的时间注意力交互融合变压器
原文中文，约300字，阅读约需1分钟。发表于：。本文介绍了一种新颖的时间关注跨模态变压器模型，即 xMTrans，具备探索两种模态数据之间的时间相关性的能力，用于长期交通预测，通过对真实世界数据集上的交通拥堵和出租车需求预测进行广泛实验，结果显示 xMTrans 在长期交通预测方面优于最新的先进方法，此外，还进行了全面的消融研究，以进一步分析 xMTrans 中的每个模块的有效性。
该研究使用混合Transformer和时空自监督学习模型提高长期交通预测的鲁棒性。通过自适应数据增强技术和Transformer克服了循环神经网络的局限性，并采用Chebyshev多项式图卷积捕捉空间依赖关系。实验证明该模型在两个真实数据集上表现出卓越性能。
