论文阅读【时空+大模型】ST-LLM（MDM2024）

论文链接：Spatial-Temporal Large Language Model for Traffic Prediction
代码仓库：https://github.com/ChenxiLiu-HNU/ST-LLM
发表于MDM2024（Mobile Data Management）

本文主要面向交通流量数据。

符号定义

符号	含义
N	交通站点数
C	特征数量
P	历史序列长度
S	预测序列长度

Spatial-Temporal Embedding and Fusion

注：$X_P\in R^{P\ast N\ast C}$，但在本文实验中C=1(原文“C = 1 represents the traffic pick-up or drop-off flow”)，因而有$X_P\in R^{P\ast N}$

一般而言，spatial-temporal embedding分为：

• Token Embedding: $E_P=PointwiseConv(X_P)\in R^{N\ast D}$
• Temporal Embedding: $E_T=E_T^d+E_T^w=W_{day}(X_{day})+W_{week}(X_{week})\in R^{N\ast D}$
• Spatial Embedding: $E_S=\sigma (W_S\ast X_P+b_S)\in R^{N\ast D}$

然后将三种embedding合并：

$$H_F=FusionConv(E_P||E_S||E_T)\in R^{N\ast 3D}$$
其中’||'是拼接符号。

Partially Frozen Attention (PFA) LLM

这部分使用GPT2捕获时空依赖。Transformer Block中训练时空开销最大的是注意力（Attention）模块。本文使用了F+U个Transformer层：

• 在前F层中，Attention参数冷冻，只训练Layer Norm
• 在后U层中，Attention参数也用于训练
  经过F+U个Transformer层后，得到的$H^{F+U}$后，使用一个Regression Conv获得最终结果：
  $$Y_S=RegressionConv(H^{F+U})\in R^{S\ast N}.$$

实验

交通预测

从这个实验结果来看，看起来很多后来的方法都比不上DCRNN？？？

效率

小样本/零样本（大模型必备）