SpoT-Mamba: Learning Long-Range Dependency on Spatio-Temporal Graphs with Selective State Spaces

本文介绍了时空图（STG）预测的关键任务，它在现实世界中有广泛的应用，包括交通和天气预测。虽然已经提出了几种方法来模拟STG中的复杂动态，但解决长程时空依赖性仍然是一个重大挑战，导致性能提升有限。受最近提出的名为Mamba的状态空间模型的启发，该模型已经显示出捕捉长程依赖性的显着能力，我们提出了一个新的STG预测框架，称为SpoT-Mamba。SpoT-Mamba通过扫描各种节点特定的行走序列来生成节点嵌入。基于节点嵌入，它进行时间扫描以捕捉长程时空依赖性。对真实世界的交通预测数据集的实验结果证明了SpoT-Mamba的有效性。

本论文旨在解决长期时空依赖关系建模的问题，提出了一种名为SpoT-Mamba的STG预测框架，以提高交通预测等领域的性能。

SpoT-Mamba生成节点嵌入，通过扫描不同的节点特定的行走序列，进行时间扫描以捕获长期时空依赖关系。

论文在真实的交通预测数据集上进行了实验，证明了SpoT-Mamba的有效性。

在这个领域中，最近的相关研究包括Mamba模型以及其他一些STG预测方法，例如STGCN和GCLSTM等。