基于TCN-ITransformer-KAN模型的短时交通流量预测方法研究

摘要

随着城市化进程加速与机动车保有量持续攀升，交通拥堵、安全隐患及环境污染等问题日益凸显，短时交通流量的精准预测已成为优化交通资源配置和提升路网运行效率的关键需求。本文以法国克雷泰伊（Europarc Creteil）环岛环形交叉口公开数据集为研究对象，提出一种融合时序卷积网络（TCN）、改进型Transformer(ITransformer)与知识增强网络（KAN）的混合预测模型（TCN-ITransformer-KAN）。为提升多模态时间序列预测的准确性与泛化能力，该模型通过TCN完成时间序列高效处理，利用ITransformer提供全局依赖建模能力，并基于KAN嵌入领域知识增强表示，实现多模态特征融合与领域知识驱动的协同优化。实验结果表明，相较于CNN、LSTM及其变体组合模型，TCN-ITransformer-KAN在预测精度上显著提升，其决定系数较CNN-Transformer、LSTM和TCN-Transformer模型分别提高3.99%、7.47%和53.54%。模型预测曲线与真实交通流量呈现高度吻合，验证了其在实际场景中的有效性与泛化能力。本研究为城市交通流量短时预测提供了一种基于时空特征解耦与知识注入的新范式，可为智能交通系统的实时决策提供理论支撑。

关键词

智能交通系统 / 短时交通流量预测 / 机器学习 / TCN-ITransformer-KAN算法