本文提出了一种创新的三元注意力变换器，通过整合Triplet Attention Module，替代传统循环单元，提升了时空预测学习的效率和质量。实验结果显示，该方法在移动物体轨迹、交通流和人体动作捕捉等任务中表现优异，超越了现有技术。

本文探讨了时空预测学习的最新进展，提出了统一时空预测学习框架（USTEP），并介绍了空间-时间动态网络（STDN）和三元注意力变换器等新方法，这些方法在交通预测和其他时空任务中显著提升了性能，推动了自监督学习在时空应用中的发展。

该研究提出了一种基于三元注意力变换器的时空预测学习方法，通过整合Triplet Attention Module (TAM)和自注意力机制，提高了预测质量。实验证明，在多种场景下，该方法超过了现有的方法，达到了最先进水平。