基于改进时序卷积网络的短时交通流预测方法

王 波^1，2*，王 础¹

(1. 甘肃公航旅通定高速公路管理有限公司，甘肃 定西 743000; 2. 长安大学 公路学院，陕西 西安 710064)

摘　要：　准确的短时交通流预测是智能交通系统优化调度与控制的基础。针对传统循环神经网络(如LSTM、GRU)在处理时序数据时存在的无法并行计算、长时依赖特征捕捉困难以及对数据非平稳性适应能力弱等问题，提出了一种融合SE通道注意力机制的改进时序卷积网络模型(SE-TCN+)。该模型首先利用因果空洞卷积构建并行化特征提取架构，在降低计算复杂度的同时显著扩大感受野;其次，引入SE通道注意力机制，自适应地重标定特征通道权重，增强关键波动特征的表达能力;最后，嵌入可逆实例归一化(RevIN)模块，通过对称变换消除数据分布漂移对预测精度的影响。在真实交通流数据集上的对比实验结果表明，SE-TCN+模型在各项评价指标上均优于主流基准模型，相较于LSTM模型和GRU模型，SE-TCN+的平均绝对误差分别降低了29.1%、34.7%，且决定系数达到0.727 2。实验结果验证了该模型在小样本场景下依然具有较高的预测精度与鲁棒性。

关键词：　交通流预测; 时序卷积网络; 因果空洞卷积; 通道注意力机制; 分布漂移

基金项目： 定西市重点研发计划项目(DX2025BYG010)

引文格式： 王波，王础. 基于改进时序卷积网络的短时交通流预测方法[J]. 市政技术，2026，44(7)：11-18. (Wang Bo，Wang Chu. Short-term traffic flow prediction method based on improved temporal convolutional network[J]. Journal of Municipal Technology，2026，44(7)：11-18.)