660e695b131c1超越时空属性，数据序列的动态和不稳定性给预测结果带来了扰动，可能导致模型退化。为了解决这些问题，我们提出了一种名为DualST的双轨空间-时间学习模块，用于准确的城市流量推断。为了更有效地区分时间维度中的语义信息，我们将整体时间尺度分为接近性和周期性。双轨模块同时利用了动态演化趋势和周期性交通模式，包括时间因果推断和时间上下文推断。所提出的DualST以自我监督的方式捕捉全局空间特征，不仅丰富了空间语义，还避免了引入额外的先验知识。为了消除动态引起的不稳定性，我们首先采用空间-时间自适应归一化来学习适当的数据序列归一化。我们在两个典型的城市流量数据集上评估了所提出的DualST。实验结果表明，我们的模型不仅在各种最先进的基线模型上表现出一致的优势，而且具有显著的泛化能力。