STGformer: An Efficient Spatiotemporal Graph Transformer for Traffic Forecasting
本研究针对现有交通预测模型计算需求高的问题，提出了一种新颖的时空图变换器（STGformer）架构。STGformer有效平衡了图神经网络与变换器的优点，能够在保持计算效率的同时建模复杂的时空交通模式。研究表明，STGformer在加利福尼亚道路图的批量推断中，比现有模型实现了100倍的加速和99.8%的GPU内存减少，彰显其在交通预测领域的重大潜力。
本研究提出了一种新型时空图变换器（STGformer）架构，解决了交通预测模型计算量大的问题。STGformer结合了图神经网络和变换器的优点，高效建模复杂交通模式。在加州道路测试中，实现了100倍速度提升和99.8% GPU内存减少，显示出巨大潜力。
