基于非对称时空注意力网络的交通拥堵预测与疏散决策

阮春喜¹，甘 锐^2*，邓志鹏²

(1. 广州市道路事务中心，广东 广州510635; 2. 广州信息投资有限公司，广东 广州510627)

摘　要：　城市交通拥堵具有“快速形成与缓慢消散”的非对称演化特性，易造成传统预测模型出现滞后与误判。因此，针对该问题提出一种融合物理规律与深度学习的非对称时空协同注意力架构(AST-Former)。该架构摒弃了在既有对称架构内进行局部改良的范式，将“快速形成与缓慢消散”特性形式化为方向感知因子，并设计非对称调制函数动态调控时空注意力权重，使模型具备对拥堵形成信号快速聚焦、对消散状态持久记忆的内在能力。该架构作为高精度感知引擎，进一步与专家规则系统深度融合，形成了一个“感知-决策”一体化的闭环智能决策支持系统。基于大规模真实交通数据的实验结果表明，AST-Former模型在预测精度与状态分类准确率上均显著优于主流基线模型。该研究成果可为城市交通的敏捷管控与主动疏导提供创新解决方案。

关键词：　非对称注意力; 交通拥堵预测; 时空协同; 深度学习; 智能决策系统

引文格式： 阮春喜，甘锐，邓志鹏. 基于非对称时空注意力网络的交通拥堵预测与疏散决策[J]. 市政技术，2026，44(9)：132-137. (Ruan Chunxi，Gan Rui，Deng Zhipeng. Traffic congestion prediction and evacuation decision-making based on asymmetric spatiotemporal attention network[J]. Journal of Municipal Technology，2026，44(9)：132-137.)