颠覆未来：SDSINet双时空交互网络引领交通预测新纪元

在智能交通领域，交通流量预测一直是提升城市运行效率和交通管理水平的关键挑战。传统方法受限于单一尺度的信息提取，难以捕捉复杂路网中多层次的时空特性。本文提出了一种全新的SDSINet（Spatiotemporal Dual-scale Interaction Network），它利用双尺度的时空交互机制，实现了对交通流量的高精度预测，为智慧城市建设提供了革命性的技术支撑cite(Li2018)cite(Yu2018)。

---

一、背景与动机

随着城市规模的不断扩展和交通数据的爆炸性增长，传统基于统计模型和简单神经网络的方法已无法满足现代交通管理对实时性和精确度的双重要求。现有的深度学习方法虽然在一定程度上捕捉到了时空动态，但大多数方法仍然存在以下问题：

• 尺度单一：无法同时考虑局部路网细节和整体交通流动趋势。

• 时空耦合不足：忽视了时空特征之间的复杂交互作用。

• 实时性欠缺：在大规模路网环境下，模型计算效率难以保障cite(Wu2020)。

针对这些挑战，SDSINet通过设计双尺度交互模块，实现了局部与全局、短时与长时的协同建模，进而提升预测精度和计算效率。

---

二、SDSINet模型架构

2.1 双尺度时空建模

SDSINet的核心在于同时引入两种尺度的特征提取：

• 局部尺度