基于小波解耦与拓扑语义神经网络的交通流精准预测模型研究

为解决现有时空模型难以同时捕捉交通流中局部拓扑结构与多因素形成的语义依赖问题，研究人员提出创新性WTSNet模型。该模型通过离散小波变换(DWT)解耦交通流的稳态趋势与事件波动，设计双通道空间语义层分别建模，并融合ChebyNet图卷积与差分注意力机制捕捉拓扑时空特征。实验表明，模型在PEMS04 等4个公开数据集上性能显著优于13种基线方法，为智能交通系统(ITS)优化提供了新范式。

　　

在城市交通管理领域，准确预测交通流量如同破解城市脉搏的密码。当前智能交通系统(ITS)虽已广泛应用深度学习模型，但传统方法面临两大瓶颈：一是难以同时捕捉路网中地理相邻节点的拓扑依赖（如传感器107与132）与功能相似节点的语义关联（如相距甚远但趋势相似的传感器107与257）；二是无法区分受规律性出行模式影响的稳态趋势与突发事件引发的波动成分。这些问题导致现有GNN或注意力模型在PEMS0⁴
等真实数据集上的预测精度遭遇天花板。

山东某高校青年创新团队在《Engineering Applications of Artificial Intelligence》发表的研究中，提出革命性的WTSNet框架。该模型通过离散小波变换(DWT)将原始交通流分解为低频稳态与高频波动分量，创新性地构建双通道空间语义编码模块分别处理不同频段特征，并采用内容引导融合(CGFusion)机制实现多模态特征自适应整合。空间拓扑与时序模块则整合ChebyNet图卷积与差分注意力，首次实现拓扑结构与语义关系的协同建模。

关键技术包括：1) 基于DWT的信号解耦；2) 双通道空间语义编码器；3) ChebyNet捕捉k阶邻域拓扑特征；4) 差分注意力机制建模动态时间依赖；5) 在PEMS0³
/0⁴
/0⁷
/0⁸
数据集上采用6:2:2划分验证。

Wavelet Disentangling and Embedding模块
通过Haar小波基将输入流量X_t
分解为近似系数(CA)与细节系数(CD)，分别对应趋势项X_trend
与波动项X_event
。实验显示该分解使MAE指标降低12.7%。

Spatial Semantic Encoding模块
双通道设计采用异构图注意力机制：趋势通道学习POI语义相似性，波动通道捕捉突发事件传播模式。在PEMS0⁴
上较单通道模型提升9.3%预测精度。

CGFusion模块
通过门控机制动态调整高低频特征权重，消融实验证实其使RMSE降低5.8%。

Spatial Topological and Temporal模块
ChebyNet在k=3时捕获最优拓扑特征，而差分注意力通过计算ΔX_t
/Δt显著提升突变事件响应速度。

研究结论表明，WTSNet在15/30/60分钟预测任务中平均MAE较Graph WaveNet降低18.6%，尤其擅长处理早晚高峰等复杂场景。该成果不仅为多模态交通流建模提供新范式，其小波解耦思想更可拓展至心电图分析等医疗时序预测领域。团队未来计划将模型部署至实际交通控制系统，并探索其在城市碳排放预测中的应用潜力。