マイクロモビリティシステム（例：シェアサイクル）の効率的な運用には、ステーションレベルの正確な需要予測が不可欠です。しかし、複雑な時空間依存性と都市ネットワークの大規模さから、このタスクは困難を伴います。最近arXivに投稿された論文では、STAGformer（Spatio-Temporal Agent Graph Transformer）が提案されました。このモデルは、革新的なエージェントアテンション機構を導入することで、線形計算複雑度でのグローバルモデリングを実現し、需要予測分野に新たなブレークスルーをもたらしました。
STAGformerの中核は、2段階のエージェントアテンション機構です。まず、学習可能な空間および時間エージェントトークンが全ステーションとタイムステップからグローバル情報を集約し、次に各ステーションとタイムステップに情報をブロードキャストします。この設計により、長距離の相互作用を効果的に捉えつつ、標準自己アテンションの二次複雑度をO(NT)（N：ステーション数、T：タイムステップ数）に削減します。線形複雑度により、大規模な都市ネットワークを効率的に処理でき、実用化への道が開かれました。
モデルは4つの主要モジュールで構成されます。時空間エンコーダは動的ノード特徴量と外部コンテキスト要因（天候、時間、興味地点）を融合し、各ステーションとタイムステップの豊かな表現を生成します。グラフ伝搬モジュールは空間近傍の集約を担当し、局所的な空間依存性を捉えます。時間畳み込みモジュールは局所的な時間パターンを抽出し、エージェントアテンションモジュールはグローバル依存性をモデリングして、遠距離のステーション間やタイムステップ間の非線形関係を捉えます。これら4つのモジュールが協調して動作し、複雑な時空間依存性の包括的なモデリングを実現します。
実験はニューヨークのCiti-BikeとシカゴのDivvy-Bikeの2つの実世界データセットで実施され、15分、30分、60分などの複数の予測期間にわたって評価されました。結果は、STAGformerがRMSE（二乗平均平方根誤差）とMAE（平均絶対誤差）の両方で、STGCN、DCRNN、ST-Transformerなどの最先端ベースライン手法を一貫して上回ることを示しています。例えば、Citi-Bikeデータセットでは、60分予測でRMSEを約8%、MAEを約6%改善しました。アブレーション研究により、各コンポーネントの貢献が検証され、特にエージェントアテンション機構がグローバルな時空間依存性のモデリングに不可欠であることが確認されました。エージェントアテンションを除去すると性能が大幅に低下し、この機構がSTAGformerの中核であることが示されました。
さらに、STAGformerは計算効率にも優れています。標準トランスフォーマーと比較して、メモリ使用量と推論時間が大幅に削減され、リソース制約のある環境への展開が容易になります。論文著者のYe Zihao氏は、今後の研究ではSTAGformerを電動スクーターなどの他のマイクロモビリティシステムに拡張し、エージェントトークンの数や初期化方法をさらに最適化する予定であると述べています。
まとめると、STAGformerは革新的なエージェントアテンション機構により、マイクロモビリティ需要予測のための効率的で正確なソリューションを提供します。その線形複雑度、優れた予測性能、モジュール設計は、学術研究と実用化の両方において重要な価値を持ちます。