编辑推荐：
交通流预测对城市交通至关重要，但受时空关系和分布漂移影响，现有方法未从解耦视角考虑趋势与事件因素。研究人员提出 TEDDCF 框架，分解信号并独立建模。实验表明其性能优于基线模型，降低计算成本，为交通预测提供新方向。
城市交通如同人体的血液循环系统，每时每刻都在进行着复杂的动态变化。随着城市化进程的加速，道路上的车辆日益增多，有限的道路容量和不够完善的调度系统，使得交通拥堵像一场挥之不去的 “城市病”，频繁的交通事故也如同随时可能爆发的 “险情”，给智能交通系统（ITS）带来了巨大的挑战。精准的交通流预测，就像是给交通系统装上一双 “智慧的眼睛”，能够帮助决策者合理分配交通资源、优化交通信号控制，从而提升城市交通的效率与安全性。然而，交通数据中复杂的时间依赖关系和动态的空间关系，就像隐藏在迷雾中的谜题，让研究人员难以准确捕捉。更棘手的是，交通网络中的突发 “事件” 会导致数据分布发生漂移，使得原本具有周期性的 “趋势” 信号变得模糊不清，传统的模型很难深入学习其中的时空关联。
为了攻克这些难题，国内研究人员开展了交通流预测领域的创新研究。他们提出了一种时空趋势 - 事件解耦双通道框架（TEDDCF），相关研究成果发表在《Expert Systems with Applications》。
研究人员主要采用了以下关键技术方法：利用离散小波变换（DWT）设计流解耦层（FDL），将交通数据分解为低频趋势信号和高频事件信号；构建双通道信号编码器（DCSE），从时间和空间维度分别提取两类信号的特征，时间维度采用多头注意力机制和因果卷积，空间维度设计趋势图卷积（Trend-GCN）和事件图卷积（Event-GCN）模块；通过趋势 - 事件交互融合（TEIF）模块实现特征融合以进行预测。
实验结果
- RQ1：TEDDCF 与基线模型性能对比
通过在六个真实世界数据集上的实验表明，TEDDCF 在预测性能上显著优于现有最先进的基线模型，证明了其在交通流预测中的有效性。
- RQ2：组件对性能的影响
对模型各组件进行消融实验，结果显示趋势和事件信号的解耦、Trend-GCN 和 Event-GCN 模块等关键组件均对模型性能有重要贡献，缺少任何一个组件都会导致预测效果下降。
- RQ3：效率对比
与其他双渠道模型相比，TEDDCF 的计算复杂度保持在 O (N2)，显著低于如 STWave 的 O (N3)，在保证性能的同时大幅降低了计算成本，展现出更高的效率。
- RQ4：超参数的影响
研究了不同超参数设置对模型性能的影响，确定了最优的超参数组合，为模型的实际应用提供了参数选择的依据。
- RQ5：真实案例表现
在实际案例应用中，TEDDCF 能够准确捕捉交通流中的趋势和事件特征，对早晚高峰等周期性趋势以及交通事故等突发件引起的交通变化都能做出有效的预测，验证了其在实际场景中的实用性。
结论与意义
TEDDCF 通过将交通流分解为趋势和事件信号并进行独立建模，有效解决了传统方法未考虑两者解耦关系的问题。该框架在时空特征提取方面的创新设计，不仅提升了预测精度，还降低了计算成本，为智能交通系统的发展提供了新的思路和技术支持。其研究成果有助于推动交通预测领域的技术进步，对缓解城市交通拥堵、提升交通管理效率具有重要的实际应用价值，为未来智能交通的发展奠定了坚实的基础。
