新上线今天0 投票
STAGformer：面向微出行需求预测的时空智能体图Transformer
高效建模新突破：STAGformer 如何用线性复杂度解决共享单车需求预测难题？
共享单车系统的运营效率高度依赖于精准的站点级需求预测。然而，城市网络规模庞大，时空依赖关系复杂，传统模型往往难以兼顾精度与计算效率。近日，一篇发表于 arXiv 的论文提出了 STAGformer（Spatio-Temporal Agent Graph Transformer），通过创新的智能体注意力机制，将标准自注意力的二次复杂度降至 O(NT) 线性级别，为大规模时空预测开辟了新路径。
核心创新：两步式智能体注意力
STAGformer 的核心在于其两步式智能体注意力机制。模型引入少量可学习的空间智能体令牌和时间智能体令牌，首先由这些智能体从所有站点和时间步中聚合全局信息，再将其广播回各个站点和时间步。这一设计有效捕捉了长距离交互，同时避免了标准 Transformer 中随节点数平方增长的计算开销。
四大模块协同工作
STAGformer 由四个核心模块构成：
- 时空编码器：融合动态节点特征与外部上下文因素（如天气、时间、兴趣点）；
- 图传播模块：用于空间邻居聚合，捕捉局部空间相关性；
- 时间卷积模块：提取局部时间模式；
- 智能体注意力模块：负责全局依赖建模，是模型性能的关键。
实验表现：全面超越基线
研究团队在 纽约 Citi-Bike 和 芝加哥 Divvy-Bike 两个真实数据集上进行了广泛实验。结果显示，STAGformer 在多个预测时长（如 15 分钟、30 分钟、1 小时等）上，均以显著优势超越了当前最先进的基线模型，在 RMSE 和 MAE 两项指标上均取得最优。消融研究进一步验证了每个组件的贡献，其中智能体注意力机制被证实是捕捉全局时空依赖的关键。
行业意义与展望
随着城市微出行（如共享单车、电动滑板车）的普及，精准的需求预测对车辆调度、站点管理及用户体验优化至关重要。STAGformer 提供了一种兼顾效率与精度的解决方案，其线性复杂度使其具备部署于大规模城市网络的潜力。未来，该框架有望推广至其他时空预测任务，如交通流量预测、人群密度估计等，推动智能交通系统向更高效、更智能的方向发展。