针对传统交通流量预测模型未能有效考虑地区间和时段间的时间延迟效应，且难以同时捕捉交通流量的短期波动与长期趋势，提出了一种结合小波分解与时间延迟感知的时空预测模型(WTA-LAGNN)。首先，结合小波分解将交通流数据分为长期趋势模式和短期波动模式：短期波动模式通过特征增强模块强化关键特征，提升对短期波动的敏感性；针对长期趋势，设计了序列增强的多头自注意力机制捕捉流量的长期变化。为了处理时间延迟效应，设计了时间序列延迟感知层，优化区域间流量传播的时空依赖关系。最后，通过融合层生成最终预测结果。实验基于现实高速公路交通数据集PEMS03、PEMS04、PEMS07、PEMS08进行60 min流量预测，结果表明，WTA-LAGNN在PEMS03和PEMS07数据集上较时空图神经控制微分方程(STG-NCDE)的平均绝对误差(MAE)和均方根误差(RMSE)分别降低了5.14%、2.69%和5.8%、2.69%；在PEMS08数据集上，相较交通流量矩阵-图卷积注意力模型(TFM-GCAM),MAE和RMSE分别下降了9.28%、3.32%；在PEMS04数据集上，相较时空融合图卷积网络(STFGCN),MAE和RMSE分别降低了3.53%、2.72%。WTA-LAGNN在准确度和模型性能上优于现有基线模型，并能更有效捕捉时空依赖关系，提升流量预测精度。
