近日，电子与通信工程学院杨文彪老师在智能交通流量预测与自适应深度学习模型方面取得新进展。该成果由尚文利教授团队完成，并在团队负责人尚文利教授指导下，由杨文彪老师牵头推进。研究成果以 “ACTFormer: Adaptive Complexity-Aware Traffic Transformer for Intelligent Flow Prediction” 为题，发表在 IEEE Transactions on Neural Networks and Learning Systems 期刊。该期刊由美国电气和电子工程师协会（IEEE）于1990年创办，属于机器学习、神经网络、人工智能领域顶级期刊，被中科院JCR分为一区TOP期刊，5年影响因子为11.1。

1. 研究背景

交通流量预测是智能交通系统的重要基础，对城市交通管理、拥堵缓解、出行效率提升和智慧城市建设具有重要意义。真实交通数据在高峰时段、突发事件、节假日以及不同区域之间呈现出明显的复杂性差异，现有方法通常采用固定模型结构和固定表示粒度，难以根据交通数据复杂程度动态调整计算资源和表示能力。

2. 研究内容

针对智能交通流量预测中不同场景数据复杂度差异大、传统 Transformer 模型难以自适应调整表示能力的问题，尚文利教授团队围绕复杂交通时序建模开展系统研究，杨文彪老师提出了一种自适应复杂性感知交通 Transformer 模型 ACTFormer。该模型通过交通序列复杂性分析，动态选择适合当前交通状态的表示粒度，实现对常规交通模式和复杂交通模式的差异化建模。同时，模型融合交通领域时间上下文信息，增强对交通时空依赖关系和运行规律的刻画能力。此外，ACTFormer 在多个公开交通预测数据集上取得了优于现有代表性方法的预测性能，并保持较好的计算效率，为智能交通系统中的实时流量预测提供了新的技术方案。

3. 研究相关

杨文彪老师为论文第一作者和共同通讯作者，尚文利教授为团队负责人和共同通讯作者，并对该研究的选题凝练、模型设计和论文完善给予指导。yl23411永利集团官网为主要完成单位。暨南大学网络空间安全学院副院长刘志全教授作为论文合作者，在研究思路完善和成果凝练方面给予了支持与帮助。该研究得到国家自然科学基金项目、教育部算力网络与信息安全重点实验室开放课题等项目支持。

文章来源：

W. Yang, W. Shang, and Z. Liu, “ACTFormer: Adaptive Complexity-Aware Traffic Transformer for Intelligent Flow Prediction,” IEEE Transactions on Neural Networks and Learning Systems, doi: 10.1109/TNNLS.2026.3691371.