SSP-DMGTimeNet 是一种物理约束学习框架，用于车辆队列的时空轨迹预测。模型融合多尺度时间表征和跨车交互特征，以捕获复杂的时变队列动力学。传播延迟感知因果注意力显式建模上游到下游的扰动传播，通过学习相邻车辆的响应延迟并在队列中累积，实现 upstream‑downstream 传播。时间域和频域的串稳损失在训练时抑制相邻车辆及任意子队列的扰动放大。实验在 HighD 数据集上，五车队列的不稳定窗口率为 0.65%，真实激励子集的头尾放大系数最高为 0.898，且保持竞争的轨迹预测精度。零样本评估在 NGSIM US‑101 与 I‑80 上，速度 MAE 分别为 1.316 m/s 与 1.252 m/s，不稳定窗口率为 3.90% 与 4.10%。这些结果表明，引入队列层面的物理约束能够在轨迹精度和扰动传播稳定性之间取得平衡。
点评