摘要
本发明公开了基于时空混合注意力网络的道路交通流量预测方法，基于对城市道路交通流量时空异质性、周期非平稳性及路网拓扑关联性的系统解析，突破传统时序模型与单一深度学习架构的局限，构建时空混合注意力网络，通过图卷积网捕捉路网节点的空间异质关联，采用混合架构建模交通流的动态时序演化特征，并引入残差注意力机制实现多尺度时空特征的逐层精炼，本发明的整体架构在空间拓扑建模和时间动态捕捉方面较传统模型具有显著优势。对天气、事件等多源异构数据进行特征解耦学习，通过参数化门控融合策略实现环境敏感特征的自适应整合，在极端天气场景下预测误差波动幅度降低34.8%。
