Naukowcy zaproponowali STKAN, architekturę łączącą sieci Kolmogorova-Arnolda z tradycyjnymi podejściami do prognozowania ruchu drogowego. Kluczową innowacją jest wprowadzenie modułów z wielomianami Taylora do mieszania tokenów przestrzennych i czasowych, co pozwala precyzyjniej modelować nieliniowe dynamiki w danych.
Istniejące systemy prognozowania ruchu opierały się głównie na coraz bardziej zaawansowanych architekturach grafowych, mechanizmach attention i metodach dekompozycji, jednak stosunkowo mało uwagi poświęcano samym funkcjom aproksymującym. STKAN zmienia to podejście poprzez inteligentne mapowanie węzłów do grup, wykonanie mieszania przestrzennego na poziomie grup i następnie modelowanie zależności czasowych. System dodatkowo wykorzystuje warstwy self-attention zarówno przestrzenne jak i czasowe do wychwycenia interakcji na dużych dystansach.
Wyniki testów na pięciu benchmarkach pokazały konkurencyjną wydajność w stosunku do istniejących rozwiązań, a STKAN systematycznie przewyższał warianty oparte na sieciach MLP. To badanie sugeruje, że projektowanie samych funkcji aproksymujących może być tak samo ważne jak ogólna architektura sieci, otwierając nowy kierunek w optymalizacji systemów do prognozowania danych przestrzenno-czasowych.