摘要
现实世界中的交通数据展现出异质的空间相关性和非线性的时间动态，这对准确的时空预测提出了重大挑战。现有方法虽已开发出越来越复杂的图、注意力和分解架构，但对基础非线性函数逼近器的影响却相对较少关注。
在这项工作中，我们提出了STKAN，一种时空预测架构，利用泰勒多项式科尔莫戈罗夫-阿诺德网络模块进行空间和时间令牌混合。STKAN首先通过可学习的软节点组分配机制构建高层次空间表示，应用组内空间混合，随后对压缩序列建模时间依赖性。进一步采用空间和时间自注意力层以捕捉长距离交互。
在五个交通预测基准上的实验结果表明，STKAN在性能上具有竞争力，并在测试设置中优于所评估的基于MLP的变体。这些结果表明，非线性函数逼近器的设计可以作为时空预测中架构设计的有益补充。
博主点评： STKAN通过引入科尔莫戈罗夫-阿诺德网络模块，成功地提升了时空预测的精度，强调了非线性函数逼近器的重要性。这一创新不仅拓展了现有架构的边界，也为未来的研究提供了新的方向。