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。

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增强模型鲁棒性，利用Transformer克服循环神经网络局限性，采用Chebyshev多项式图卷积捕捉空间依赖关系。通过两个自监督学习任务建模时空异质性，提高模型准确性和泛化能力。实验结果证明该模型在真实数据集上表现出卓越性能。

该研究利用混合Transformer和时空自监督学习的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增强模型的鲁棒性，利用Transformer克服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。通过两个自监督学习任务建模时空异质性，提高模型的准确性和泛化能力。实验结果验证了该模型在两个真实数据集上的卓越性能。

该研究利用混合Transformer和时空自监督学习的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增强模型的鲁棒性，利用Transformer克服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。通过两个自监督学习任务建模时空异质性，提高模型准确性和泛化能力。实验结果证明该模型在真实数据集上表现出卓越性能。