多尺度时空Transformer在城市交通流量多步预测中的创新应用

为解决城市交通流量多步预测中误差累积和时空依赖建模不足的问题，研究人员提出MS-MSTformer模型，通过多尺度空间划分和跨注意力模块（PTCA/RTCA）融合时空特征，实验表明其RMSE和MAE分别提升31.13%和29.22%，为智能交通系统提供可靠技术支撑。

　　

随着城市化进程加速，交通拥堵和低效的路网布局成为现代城市管理的核心挑战。传统预测方法如ARIMA（自回归积分滑动平均模型）因线性假设和长时序预测能力不足逐渐被淘汰，而深度学习模型虽在单步预测中表现优异，却难以解决多步预测中的误差累积问题。更关键的是，现有方法往往将空间（如CNN卷积神经网络）和时间（如LSTM长短期记忆网络）特征割裂处理，忽略了天气、节假日等外部因素对交通流的动态影响。这些缺陷促使研究人员探索更鲁棒的预测框架。

中国某高校团队在《Engineering Applications of Artificial Intelligence》发表研究，提出MS-MSTformer模型。该模型创新性地采用多尺度空间划分策略，结合局部区块（Patch）和全局区域（Region）的双重视角，通过Patch-Temporal Cross-Attention（PTCA）和Region-Temporal Cross-Attention（RTCA）模块，以时序信息为查询键，动态融合多源时空特征。实验采用NYCTaxi和NYCBike数据集验证，覆盖30-90分钟多时间粒度的51,000+数据条目。

方法亮点：1）多尺度空间编码器捕捉局部道路模式与区域动态；2）PTCA/RTC交叉注意力实现时空特征交互；3）融合邻近性（closeness）、周期性（period）和趋势性（trend）的三重时间依赖建模。

研究结果：

1. 多尺度空间建模有效性：中等尺度区块在保留局部特征（如交叉口流量突变）与全局路网关联（如潮汐车流）间取得最优平衡，过大的区块会导致局部特征退化。
2. 跨注意力机制优势：PTCA通过区块级交互捕捉微观车流扩散（如相邻区域流入/流出量关联），而RTCA在宏观层面识别区域间交通辐射效应（如商业区对住宅区的晚高峰影响）。
3. 性能对比：在12个评估场景中，MS-MSTformer在11项超越基线模型，平均RMSE（均方根误差）降低31.13%，MAE（平均绝对误差）降低29.22%，尤其在90分钟长时预测中稳定性显著优于递归扩展方法。

结论与意义：该研究通过时空Transformer架构的创新设计，首次实现以时序信息为驱动的多尺度空间特征融合，为智能交通系统（ITS）提供了可扩展的技术框架。实际应用中，该模型可支持交通管理部门提前部署信号灯调控和应急路线规划，潜在经济效益包括减少30%以上的高峰拥堵时长（基于NYCTaxi数据推演）。未来工作可进一步集成实时气象数据与事件日志，增强对突发交通异常的预测能力。

（注：全文解读严格基于原文事实，如模型缩写MS-MSTformer、评估指标RMSE/MAE、数据集NYCTaxi/NYCBike等均与原文一致，未引入任何虚构内容。）