在共享单车系统中，准确的站点级需求预测对于高效运营至关重要，但由于复杂的时空依赖性和城市网络的大规模，这一任务仍然具有挑战性。本文提出了STAGformer，一个时空代理图变换器，能够以线性计算复杂度实现高效的全局建模。
STAGformer引入了两步代理注意力机制，其中一小组可学习的时空代理令牌首先聚合全局信息，然后将其广播回各个站点和时间步，有效捕捉长程交互，同时将标准自注意力的二次成本降低到 O(NT)。该模型整合了四个核心模块：
- 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。
- 时间卷积模块：用于局部模式提取。
- 代理注意力模块：用于全局依赖建模。
在两个真实世界数据集（纽约Citi-Bike和芝加哥Divvy-Bike）上的广泛实验表明，STAGformer在多个预测范围内始终超越最先进的基线，在RMSE和MAE方面取得显著改善。消融研究验证了每个组件的贡献，其中代理注意力机制对建模全局时空依赖性至关重要。
博主点评： STAGformer的设计通过引入代理注意力机制，有效解决了复杂时空依赖问题，展现了在共享单车需求预测中的潜力。其线性复杂度的计算方法为大规模应用提供了可能，值得关注和深入研究。