CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model

准确、有效的交通预测对于智能交通系统至关重要，在城市交通规划和管理中具有关键作用。目前的时空转换模型虽然具有预测能力，但在平衡计算效率和准确性方面存在困难，更倾向于全局信息而非本地信息，并且将空间和时间数据分别处理，限制了对复杂交互作用的洞察。我们引入了Criss-Crossed Dual-Stream Enhanced Rectified Transformer模型（CCDSReFormer），其中包括三个创新模块：增强的矫正空间自注意力（ReSSA）、增强的矫正延迟感知自注意力（ReDASA）和增强的矫正时间自注意力（ReTSA）。这些模块旨在通过稀疏注意力降低计算需求，关注本地信息以更好地理解交通动态，并通过独特的学习方法合并空间和时间见解。对六个真实世界数据集的广泛测试突显了CCDSReFormer卓越的性能。消融研究还证实了每个组件对模型预测准确性的显著影响，展示了我们模型有效预测交通流的能力。

提高交通预测的准确性和效率，解决当前模型在处理时空数据时存在的问题。

提出了一种新的交通预测模型CCDSReFormer，引入了三个创新模块，分别是增强修正空间自注意力模块（ReSSA）、增强修正时延自注意力模块（ReDASA）和增强修正时间自注意力模块（ReTSA），通过稀疏注意力降低计算需求，注重局部信息以更好地理解交通动态，并通过独特的学习方法融合空间和时间信息。

使用六个真实数据集对CCDSReFormer进行了广泛测试，结果显示其性能优异。消融实验也证实了每个组件对模型预测准确性的显著影响。该论文的亮点在于提出了一种新的交通预测模型，通过创新性地引入三个模块解决了当前模型在处理时空数据时存在的问题。

与该论文相关的研究包括利用深度学习进行交通预测的其他模型，如ST-ResNet、ST-Attnet和STSGCN等。