HyperD：面向交通预测的混合周期性解耦框架
人工智能
2025-11-18 v2
摘要
准确的交通预测在智能交通系统中发挥着重要作用，使能够实现拥堵控制、路径规划和城市 mobility 优化等应用。然而，交通预测仍面临两个关键挑战：（1）来自道路段和交通传感器之间动态相互作用引发的复杂空间依赖性；（2）由人类例行程序驱动的日周期和周周期模式等多尺度周期模式，与由不可预测事件（如事故、天气或施工）引起的不规则波动共存。为此，我们提出HyperD（Hybrid Periodic Decoupling），一种新型框架，将交通数据解耦为周期性分量和残差分量。周期性分量由Hybrid Periodic Representation Module处理，使用可学习的周期嵌入和空间-时间注意力提取细粒度的日和周模式。残差分量用于捕获非周期性的高频波动，利用频域中的复数型MLP进行建模。为强制两个分量之间实现语义分离，我们进一步引入Dual-View Alignment Loss，将低频信息与周期分支对齐，将高频信息与残差分支对齐。在四个真实世界交通数据集上进行大量实验表明，HyperD实现了相对于现有方法的领先预测精度，同时在干扰下提供了更好的鲁棒性和改进的计算效率。
引用
@article{arxiv.2511.09275,
title = {HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting},
author = {Minlan Shao and Zijian Zhang and Yili Wang and Yiwei Dai and Xu Shen and Xin Wang},
journal= {arXiv preprint arXiv:2511.09275},
year = {2025}
}