基于TCN-BiGRU与自注意力机制的时空耦合交通流预测模型研究

针对城市路网交通流预测中时空耦合关系建模不足的问题，研究人员提出融合时序卷积网络(TCN)、堆叠双向门控循环单元(Bi-GRU)和自注意力机制的ATCN-BiGRU混合框架。实验表明该模型在MAE、MAPE等指标上显著优于传统方法，为智能交通系统(ITS)动态调控提供了高效预测工具。

　　

随着城市化进程加速，交通拥堵成为困扰现代都市的顽疾。智能交通系统(ITS)虽为缓解拥堵提供了新思路，但其核心功能——实时交通流预测仍面临重大挑战：传统统计方法如卡尔曼滤波(KFT)和季节性自回归积分滑动平均模型(SARIMA)仅能捕捉时间序列特征，而机器学习方法如支持向量机(SVM)又难以处理路网空间关联。更棘手的是，交通流数据具有高度非线性、随机性和时空耦合特性，现有模型在复杂路网场景下预测精度与计算效率难以兼得。

西华大学的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将时序卷积网络(TCN)的并行计算优势、堆叠双向门控循环单元(Bi-GRU)的序列建模能力与自注意力机制的特征权重分配相结合，构建了ATCN-BiGRU混合预测框架。关键技术包括：1)采用改进TCN捕获路网全局动态特征；2)设计带注意力机制的堆叠Bi-GRU处理双向时序依赖；3)基于SUMO仿真平台构建真实城市交通场景；4)使用加州PeMS系统6个月的真实交通流数据验证模型。

系统模型与问题建模
通过SUMO仿真环境构建包含动态路网拓扑的测试场景，采用TRACI接口实时获取交通参数。研究将交通流预测建模为时空图学习问题，利用TCN的膨胀卷积扩大感受野，解决传统循环神经网络(RNN)的长期依赖捕获难题。

ATCN-BiGRU模型架构
核心创新在于三级架构：TCN层通过权重共享机制提取多尺度时空特征；堆叠Bi-GRU层分别处理前向/后向交通流序列；自注意力层动态分配特征权重。实验显示该架构较单一TCN或Bi-GRU模型训练速度提升37.2%。

实验结果分析
在PeMS数据集上，ATCN-BiGRU的MAE(3.51)、MAPE(8.72%)等指标显著优于对比模型。ANOVA方差分析证实其预测结果与ST-DTNN、KNN-LSTM等方法存在统计学显著差异(p<0.01)。SUMO在线测试显示，模型在突发拥堵场景下仍保持89.7%的预测准确率。

讨论与结论
该研究首次实现了TCN与Bi-GRU在交通预测领域的有机融合，其创新点在于：1)通过TCN并行化处理突破传统序列模型计算瓶颈；2)注意力机制增强模型对关键时空特征的敏感性；3)验证框架在真实场景的迁移能力。未来可进一步优化模型轻量化设计，探索其在车路协同系统中的应用潜力。研究为智能交通动态管控提供了兼具精度与效率的新范式，对推动ITS产业化发展具有重要实践价值。