基于流量分解的时空滤波自注意力网络在交通流量预测中的应用

为解决交通流量预测中复杂时空依赖性和数据纠缠问题，研究人员提出FDFSAN模型，通过离散小波变换(DWT)分解流量数据为平稳和突发分量，并设计双通道时空网络及滤波自注意力机制，有效捕获局部与全局空间相关性。实验表明该模型在动态空间关联和异常场景下优于现有方法，为智能交通系统(ITS)优化提供新思路。

　　

随着城市化进程加速，交通拥堵已成为困扰现代社会的顽疾。智能交通系统(ITS)的核心挑战在于准确预测交通流量，但传统方法如支持向量回归(SVR)和长短期记忆网络(LSTM)难以捕捉复杂的时空非线性关系。更棘手的是，相邻道路的流量模式会随时间动态变化，而突发事故等异常事件更会破坏数据稳定性。现有基于图神经网络(GNN)的方法如STGCN和GWN，虽能建模空间关联，却无法同时处理静态图结构的局限性和全局非相邻道路的相似性。注意力机制模型如GMAN虽扩展了感知范围，但引入的无关空间噪声反而降低了预测精度。

针对这些痛点，浙江理工大学的研究团队在《Engineering Applications of Artificial Intelligence》发表研究，提出创新性解决方案FDFSAN（基于流量分解的时空滤波自注意力网络）。该研究首先采用离散小波变换(DWT)将原始流量数据分解为平稳（低频）和突发（高频）分量，分别表征长期趋势和短期波动。随后构建双通道时空网络，每个通道包含三个关键模块：时间注意力模块捕捉时序依赖，局部滤波注意力模块聚焦邻近道路，全局滤波注意力模块识别空间离散但模式相似的道路。特别设计的分量去噪机制，可自适应保留有价值的突发信息。

关键技术包括：1）DWT信号分解技术处理加州高速公路四个区域数据集；2）非参数共享的双通道时空网络架构；3）融合局部-全局感知的滤波自注意力机制；4）基于注意力权重的分量融合策略。

Traffic flow prediction problem definition
研究将路网建模为有向图G=(V,E,A)，其中节点代表传感器，边代表道路连接。定义流量数据X_t
∈R^N×C
，通过数学框架明确预测目标。

Experiments
在加州高速公路数据集上的实验显示，FDFSAN在MAE、RMSE等指标上全面超越STGCN、PDFormer等基线模型。消融实验验证了流量分解和滤波注意力模块的必要性——去除DWT会使突发事件下的误差增加23%，而禁用滤波机制会导致空间噪声敏感度上升37%。

Conclusion and future work
该研究突破性地将信号处理技术与时空深度学习相结合，首次实现流量数据的解耦建模。其滤波注意力机制为处理动态空间关联提供了新范式，而双通道设计对医疗信号处理、金融时间序列分析等领域具有跨学科启示。未来可探索更精细的分量划分方式，以及面向超大规模路网的分布式计算方案。

这项由国家级和省级基金支持的研究，不仅为交通管理提供了更精准的预测工具，其提出的"分解-滤波-融合"框架更为复杂时空数据的建模开辟了新路径。正如作者团队所述："理解流量的本质在于区分其稳定脉搏与异常心跳，而我们的模型正是为此设计的听诊器。"