本研究分析了时空图神经网络在长期交通预测中的适应性不足，提出了一种基于主成分分析的嵌入方法，以提高模型的灵活性和跨城市的零-shot预测能力。

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。

本文提出了一种新的空间-时间变换网络的范例，用于改善长期交通预测的准确性。该模型使用图神经网络和自注意机制来建模交通数据中的有向空间相关性，并利用长程双向时间依赖性。实验证明，该模型在预测交通流量方面的性能优于现有工作。

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。