STKAN：用于时空预测的Kolmogorov-Arnold网络
针对现实交通数据中的异质性空间关联和非线性时间动态，现有方法聚焦于图、注意力和分解架构，而忽略了底层非线性函数逼近器的作用。STKAN通过引入泰勒多项式Kolmogorov-Arnold网络模块到空间和时间令牌混合中，首先利用可学习的软节点组分配机制构建高层次空间表示，进行组级空间混合，然后在压缩序列上建模时间依赖，并辅以空间和时间自注意力层捕捉长程交互。在五个交通预测基准上，STKAN取得了竞争性表现，且优于基于MLP的变体，表明非线性函数逼近器设计可作为架构设计的有力补充。
2026年7月14日，一篇题为《STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting》的论文提交至arXiv预印本平台。该论文由Sicong Lai等五位研究者共同完成，针对时空预测领域中的核心难题提出了一种全新的解决方案。
现实世界的交通数据呈现出强烈的异质性空间关联和非线性时间动态特性，这对精确的时空预测构成了巨大挑战。长期以来，研究者们致力于开发日益复杂的图神经网络、注意力机制以及分解架构，却相对忽视了底层非线性函数逼近器（即网络中处理非线性的核心组件）的影响力。而STKAN（Spatio-Temporal Kolmogorov-Arnold Network）正是从这一角度出发，将泰勒多项式Kolmogorov-Arnold网络（KAN）模块创新性地嵌入到空间和时间的令牌混合过程中。
具体而言，STKAN首先借助一个可学习的软节点组分配机制，自动将空间节点划分到不同的组中，从而构建出高层次的空间表征。随后，模型对这些分组进行组级空间混合操作，并将得到的压缩序列用于时间依赖关系的建模。为了捕捉更广泛的长程交互，STKAN还集成了空间和时间自注意力层。在五个常用的交通预测基准数据集（如PEMS系列和METR-LA）上进行的实验表明，STKAN不仅达到了具有竞争力的性能水平，而且在测试设定中全面超越了基于多层感知机（MLP）的基线变体。
这些结果有力地证明，精心设计的非线性函数逼近器完全可以成为架构创新的有力补充，为未来时空预测模型的发展指明了新的方向。该论文的arXiv编号为2607.13108，同时涉及机器学习（cs.LG）和人工智能（cs.AI）两个子领域。