基于时间感知Transformer的智能网联汽车交通流预测系统
来源：计算机测量与控制杂志2026年第5期北京时间：
作者：李凤强
单位：兰州理工大学计算机与通信学院
摘要：由于交通数据具有高度非线性和时空耦合特性，传统时序模型难以有效捕捉长距离依赖关系，导致预测精度受限；同时，多源异构数据的时空对齐误差会进一步降低预测可靠性，尤其在复杂交通场景（如拥堵、突发事故）下，误差累积效应加剧，导致汽车交通流预测偏差较大。基于此，提出基于时间感知Transformer的智能网联汽车交通流预测系统设计方法。在硬件层面，通过优化多源数据采集设备（高精度GNSS/INS、多线激光雷达）确保原始数据质量，部署5G边缘计算节点实现低延迟预处理，有效缓解时空耦合特性带来的传输延迟问题。在软件层面:采用时空对齐模块（高斯滤波+坐标转换）消除多源数据时空偏差，解决误差累积问题；其次设计改进的时间感知Transformer模型，通过时间嵌入层捕捉周期规律，结合局部-全局混合注意力机制建模长距离依赖关系，并引入膨胀因果卷积增强非线性特征提取能力。动态适应交通流的周期性及突变特征，提升预测精准性。通过硬件与软件的协同运作，实现了交通流的精准预测。消融实验结果显示:时间感知Transformer模型应用后交通流预测误差最小值达到了0.1%，充分证实了改进模型的有效性。对比实验结果显示:设计系统应用后交通流数据时间戳同步误差最大值仅有0.08%，空间坐标偏移量最大值仅有0.16mm，交通流预测结果与实际结果趋于一致。
关键词：智能网联汽车;时间感知Transformer模型;多源数据时空对齐;消融实验;交通流预测;
