STAGformer to nowy model transformera zaprojektowany do przewidywania popytu na rowery w systemach bike-sharing na poszczególnych stacjach. Głównym wyzwaniem w tej dziedzinie jest modelowanie złożonych zależności czasoprzestrzennych w skalach miast - standardowe transformery wymagają obliczeniowej złożoności O(n²), co staje się niewykonalne dla dużych sieci miejskich. Naukowcy rozwiązali ten problem, wprowadzając mechanizm two-step agent attention, gdzie mały zestaw nauczalnych tokenów (agentów) funkcjonuje jako pomost zwischen lokalnymi stacjami a globalnymi wzorcami.
Architektura STAGformera łączy cztery kluczowe komponenty: encoder czasoprzestrzenny integrujący cechy dynamiczne stacji z czynnikami zewnętrznymi (pogoda, pora dnia, punkty zainteresowania), moduł propagacji grafowej do agregacji sąsiadujących stacji, moduł konwolucji czasowej do wyodrębniania lokalnych wzorców oraz mechanizm agent attention do modelowania globalnych zależności. To podejście redukuje złożoność do O(NT), gdzie N to liczba stacji, a T liczba kroków czasowych - znacznie bardziej skalowalne dla dużych systemów.
Testy na rzeczywistych danych z Citi-Bike w Nowym Jorku i Divvy-Bike w Chicago pokazały, że STAGformer konsekwentnie przewyższa wcześniejsze modele bazowe w wielu horyzonach prognozowania, ulepszając zarówno błąd RMSE jak i MAE. Analiza ablacyjna potwierdziła kluczową rolę mechanizmu agent attention. Prace mogą znaleźć praktyczne zastosowanie w optymalizacji rozmieszczenia rowerów i planowaniu zasobów w miastach na całym świecie.