多尺度时空Transformer

多步预测误差降三成

通过多尺度块与双交叉注意力融合局部全局空间依赖及时间模式，实现11/12场景下的最优多步城市交通流预测。

Shenkai, Zhang · 李太勇 · Yingqi, Chen · Wu, Jiang · Yan, Xiao

Engineering Applications of Artificial Intelligence 2025

参数信息

RMSE平均降低

31.13 %

MAE平均降低

29.22 %

优于基线的场景数

11

技术优势

预测误差降三成

在NYCTaxi和NYCBike上RMSE平均降低31.13%，MAE平均降低29.22%，精度大幅优于深度学习基线。

多数场景领先

在12个评估场景中11个超越基线，泛化能力强，覆盖出租车和共享单车两种模式。

双注意力融合有效

消融实验证实PTCA和RTCA均对精度有贡献，补丁级和区域级时空特征融合缺一不可。

应用场景

• 智能交通系统：为交通管理提供前瞻性预测，支持主动调度与资源分配。
• 城市交通流预测：多步预测可提前感知城市流量变化，辅助拥堵疏解。
• 时空数据挖掘：有效提取时空依赖，为相关挖掘任务提供高性能模型。
• 深度学习模型：可作为多步时空预测的基准模型，支撑后续研究。