2026年7月14日，一篇題為《STKAN: Kolmogorov-Arnold Networks for Spatio-Temporal Forecasting》的論文提交至arXiv預印本平臺。該論文由Sicong Lai等五位研究者共同完成，針對時空預測領域中的核心難題提出了一種全新的解決方案。
現實世界的交通資料呈現出強烈的異質性空間關聯和非線性時間動態特性，這對精確的時空預測構成了巨大挑戰。長期以來，研究者們致力於開發日益複雜的圖神經網路、注意力機制以及分解架構，卻相對忽視了底層非線性函式逼近器（即網路中處理非線性的核心元件）的影響力。而STKAN（Spatio-Temporal Kolmogorov-Arnold Network）正是從這一角度出發，將泰勒多項式Kolmogorov-Arnold網路（KAN）模組創新性地嵌入到空間和時間的令牌混合過程中。
具體而言，STKAN首先借助一個可學習的軟節點組分配機制，自動將空間節點劃分到不同的組中，從而構建出高層次的空間表徵。隨後，模型對這些分組進行組級空間混合操作，並將得到的壓縮序列用於時間依賴關係的建模。為了捕捉更廣泛的長程互動，STKAN還整合了空間和時間自注意力層。在五個常用的交通預測基準資料集（如PEMS系列和METR-LA）上進行的實驗表明，STKAN不僅達到了具有競爭力的效能水平，而且在測試設定中全面超越了基於多層感知機（MLP）的基線變體。
這些結果有力地證明，精心設計的非線性函式逼近器完全可以成為架構創新的有力補充，為未來時空預測模型的發展指明瞭新的方向。該論文的arXiv編號為2607.13108，同時涉及機器學習（cs.LG）和人工智慧（cs.AI）兩個子領域。