为提升交通时序数据异常识别能力，构建了一种混合模型。首先，该模型融合了多头注意力、残差及概率稀疏自注意力机制，形成全局特征识别模块，该模块不仅增强了模型对全局特征的识别能力，还有效降低了计算复杂度；其次，将膨胀卷积与多尺度卷积相结合，形成局部特征识别模块，进一步优化了模型局部特征的提取能力；再次，引入FreeRunning训练策略，提升了模型的鲁棒性；最后，将上述特征识别模块和训练策略与LSTM相结合，并将自注意力机制的结果替代LSTM的输入门控，这一设计不仅优化了长序列的记忆效果，还进一步降低了计算复杂度。最终，采用多元高斯分布概率函数对异常进行判别。实验结果表明，每在LSTM基础上增加一个模块，模型的预测和异常检测能力均有提升。与常见的Transformer-Bi-LSTM混合模型相比，本模型在预测能力上更为出色，且计算复杂度更低。总之，该模型在交通时序数据的全局和局部异常识别上表现出色，能高效可靠的检测异常，及时发现问题，提升交通系统的运行效率和安全性。