城市交通流预测是智能交通系统的基石。现有方法侧重于时空依赖建模，而忽略了交通预测问题的两个内在特性。首先，不同预测任务的复杂性在不同的空间(如郊区与市中心)和时间(如高峰时段与非高峰时段)上分布不均匀。其次，对过去交通状况的回忆有利于对未来交通状况的预测。基于以上两个特性，作者提出了一个双向时空自适应Transformer（Bi-STAT）用于准确的交通流预测。Bi-STAT采用编码器-解码器框架，其中均含有一个空间自适应和时间自适应的Transformer结构。受第一个性质的启发，每个Transformer都根据任务的复杂性动态地处理流量流，具体来说，我们通过一种新的动态停止模块（DHM）的循环机制来实现这一点。每个Transformer使用共享参数进行迭代计算，直到DHM发出停止信号。受第二个特性启发，Bi-STAT使用一个解码器实现现在-过去的学习任务，另一个解码器实现现在-未来的预测任务。学习任务提供补充信息协助预测任务，以便更好地泛化。大量实验证明了Bi-STAT每个模块的有效性以及该模型的优越预测性能。

交通流预测旨在利用基于分布在城市道路上的大量传感器所记录的当前交通状况预测未来的交通状况（流量或速度）。由于复杂的时空依赖性，使这项任务充满挑战。空间上，附近道路的交通状况相互之间有动态的影响(或依赖)；时间上，由于各种因素，如天气、高峰时间、周末和假日，交通状况呈现出难以捉摸的模式。由于这些挑战，现有模型专注于时空依赖性建模并在这方面取得进步，但他们忽略了交通预测问题的两个内在性质，这阻碍了现有方法成为更有效和准确的交通状况预测方法。
首先，不同预测任务在时间（高峰时段和平峰时段）和空间（郊区与市中心）上是不平衡的。如图1所示，1号路（市区࿰