可扩展时空Transformer

线性复杂度

一种面向大规模城市网络的低复杂度时空预测模型，通过低维嵌入诱导的类Transformer注意力机制实现可解释的神经扩散，在保持先进性能的同时显著提升可扩展性。

Nie, Tong · 孙剑 · Ma, Wei

IEEE Transactions on Industrial Informatics 2025

技术优势

计算量随规模线性增长

模型采用线性复杂度的设计，使得在更大规模网络上进行预测在计算上可行。

注意力由低维嵌入诱导

利用低维嵌入诱导注意力层，在保持性能的同时降低了计算开销。

结构具有可解释性

模型设计遵循物理基本规律，避免架构冗余，因此更加透明，便于用户理解其预测依据。

应用场景

• 城市交通流预测：用线性复杂度的模型高效预测大规模路网交通流，支撑实时管控。
• 太阳能发电预测：在大型太阳能场站网络上进行准确出力预测，优化并网调度。
• 智能电表数据分析：对海量智能电表数据进行可扩展的时空分析，辅助需求侧管理。
• 城市系统数字孪生：作为城市数字孪生中的预测引擎，以线性成本模拟大规模动态。