基于全局-局部信息融合和稀疏注意力的交通流预测模型

来源：计算机工程与应用杂志2026年第9期北京时间：

作者：李金江, 贾东立, 张龙, 陈灵强

单位：河北工程大学 信息与电气工程学院，河北 邯郸 056000；

摘要：随着全球城市化进程的加速，智能交通系统面临着提高交通流量预测准确性的挑战。针对当下交通流预测模型构建存在着空间关联建模偏弱、时间动态特征利用不足以及全局与局部考虑不周到的问题，提出基于全局-局部信息融合和稀疏注意力的交通流预测模型（traffic flow prediction model based on global local information fusion and sparse attention，GLSformer）。该模型设计了空间稀疏自注意力模块，利用动态稀疏矩阵优化了交通流中空间依赖关系的捕捉。时间自注意力方面，创新性地引入门控循环单元（GRU）动态调节时间维注意权重，从而有效捕获交通数据的周期规律与突发波动特性。通过全局-局部信息融合更新机制，逐层更新局部特征并与全局特征融合，从而深度提取数据的时空依赖性。在三个真实数据集上的对比实验中，所提模型在各项性能指标上均优于对比模型。与最优PDG2Seq模型指标相比，三个数据集的平均绝对误差（MAE）、预测均方根误差（RMSE）、平均绝对百分比误差（MAPE）分别平均降低了4.3%、6.3%和3.7%，证明了其在交通流预测中的有效性和广泛应用潜力。

关键词：交通流预测,时空注意力,稀疏矩阵,门控机制,全局-局部特征融合

基金资助：河北省自然科学基金-京津冀基础研究合作专项项目（F2024402027）；中央引导地方科技发展资金项目（236Z0401G）；河北省自然科学基金（F2023402011）。