近日，我院空地协同智能交通研究团队成员李轩、严利鑫等，与美国休斯敦大学韩竹教授（国际计算机协会会士（ACM Fellow）、国际电气与电子工程师协会会士（IEEE Fellow）、美国科学促进会会士（AAAS Fellow））及华东交通大学相关团队联合开展研究，在城市交通流预测领域取得新进展。2026年6月20日，研究成果以江西飞行学院为第一单位，在物联网领域顶级国际期刊IEEE Internet of Things Journal上发表，论文题为《Deriving Spatial Features across Temporal Dimensions: An Adaptive Multi-Scale Network for Urban Traffic Flow Prediction》。

城市交通流预测是智能交通系统中的关键任务，对缓解交通拥堵、优化交通调度、提升道路运行效率、推进城市交通精细化管理具有重要意义。然而，城市交通流具备显著的时空耦合特征与多尺度动态变化规律，既包含日常通勤、周期性出行等低频变化趋势，也存在交通事故、天气突变、道路局部瓶颈等高频扰动因素。现有交通流预测模型大多依托预定义道路拓扑结构或固定时间尺度完成建模，难以充分刻画不同时间尺度下交通状态与空间关联的动态匹配关系，致使模型在复杂交通场景中的预测精度、自适应能力与鲁棒性存在明显短板。

针对上述痛点，论文提出一种面向城市交通流预测的自适应多尺度网络AMSNet。该方法从时间维度自适应推导空间特征，融合自适应小波分解与潜在拓扑学习策略，无需依托外部道路先验结构，即可从交通时间序列中学习适配任务的空间依赖关系。与此同时，论文设计尺度感知动态图卷积、自适应多分支卷积及双向跨尺度门控机制，实现低频趋势与高频扰动协同建模，有效解决动态时间模式与静态空间表征之间的尺度失配问题。

论文基于PeMS03、PeMS04、PeMS07、PeMS08等大规模公开交通流数据集开展系统性对照实验。实验结果表明：AMSNet在多预测时域、多项评价指标下性能均优于当前主流模型；相较于多种前沿基线模型，AMSNet在平均绝对误差（MAE）、均方根误差（RMSE）、平均绝对百分比误差（MAPE）等指标上具备更优的预测精度与稳定性，充分验证该算法在复杂城市交通场景下开展自适应多尺度时空预测的有效性与鲁棒性。

面向城市交通流预测的自适应多尺度网络AMSNet整体架构

不同预测时域下AMSNet与主流模型的性能对比

数据集上代表性交通节点真实值与AMSNet预测结果对比

《IEEE Internet of Things Journal》是由IEEE出版，IEEE Sensors Council、IEEE Communications Society、IEEE Computer Society和IEEE Signal Processing Society联合出版的物联网领域权威期刊，主要刊载物联网系统架构、物联网使能技术、物联网通信与网络协议、物联网服务与应用等方向的高水平研究成果。该刊已被SCIE、EI、Scopus等国际数据库收录。根据2024—2025年最新版JCR数据，IEEE Internet of Things Journal影响因子IF=8.9，5年影响因子为9.6。该刊在Computer Science, Information Systems学科领域排名11/258，在elecommunications科领域排名10/120，均位列JCR Q1分区，是相关领域极具影响力的新锐一区TOP期刊。

（文、图/李轩 一审/肖玉婷 二审/蓝钦凌 终审/余杰）