STG-Mamba首次引入了基于深度学习的选择性状态空间模型（SSSM）用于时空图学习任务。我们提出了STG-Mamba，它利用现代SSSM进行准确有效的STG预测。在STG-Mamba中，ST-S3 M模块促进了输入依赖图进化和特征选择，成功地将STG网络与SSSM集成在一起。

在每个时间步，所有节点的特征表示首先通过添加可学习的空间调整嵌入进行增强，然后通过不同的线性变换投影到不同的子空间以获得Query、Key和Value矩阵。：模块首先接收来自前置自适应空间结构注入器（ASS Injector）输出的富含空间信息的时空特征张量，通过一个线性投影层将输入特征映射到两倍于内部维度的隐空间，随后在通道维度将该高维特征切分为两个并行的信号流：一个是用于后续深度时空演化的主处