摘要

道路交通预测在城市交通管理与个人出行等实际智能交通场景中至关重要，广泛应用于交通调度与路径规划等领域。时空图神经网络（Spatio-Temporal Graph Neural Networks, STGNNs）已成为该任务的主流解决方案。然而，基于显著动态空间建模的STGNNs普遍面临二次方复杂度问题，已成为处理大规模交通数据时的主要瓶颈。从空间数据管理的视角出发，本文提出一种新型Transformer框架——PatchSTG，旨在高效、动态地建模大规模交通数据中的空间依赖关系，同时兼顾模型的可解释性与精度保真度。具体而言，我们设计了一种新颖的不规则空间分块机制，以减少Transformer动态计算中涉及的点数。该机制首先利用叶节点K维树（KDTree）对分布不规则的交通点进行递归划分，生成容量较小的叶节点；随后通过填充与回溯策略，将属于同一子树的叶节点合并为容量相等且互不重叠的分块区域。基于上述分块后的数据结构，编码器中交替使用深度注意力与广度注意力机制，动态地从同一分块内的点以及具有相同索引的分块间点中学习局部与全局空间知识。在四个真实世界大规模交通数据集上的实验结果表明，PatchSTG在保持当前最先进性能的同时，训练速度提升最高达10倍，内存利用率提升最高达4倍，显著优于现有方法。