基于多特征分解与联邦元学习的异构数据下分布式长时序交通流预测框架研究

为解决交通流长时序预测中数据异构性导致的模型泛化能力不足问题，研究人员提出融合多维信号分解（Wavelet Transform/Fast Fourier Transform）与改进模型无关元学习（MAML）的分布式框架FM-FDPCN。该框架通过特征分解模块FDPCN增强时序特征提取，结合Fast-FM策略加速联邦训练，在真实异构城际交通数据中实现MAE降低5.04%、MSE降低3.18%，为智能交通系统提供高效隐私保护解决方案。

　　

随着城市化进程加速，智能交通系统（ITS）成为缓解交通压力的关键。然而，传统交通流预测方法面临三大挑战：长时序数据中多尺度特征（如小时、日、周周期）难以同步捕捉；数据异构性导致模型跨区域泛化能力受限；联邦学习（Federated Learning, FL）框架下频繁参数传输降低效率。这些问题严重制约了实时交通管理的精准性。针对这些痛点，吉林大学的研究团队在《Engineering Applications of Artificial Intelligence》发表论文，提出创新性解决方案。

研究团队采用三大核心技术：1）基于小波变换和快速傅里叶变换（Wavelet Transform/Fast Fourier Transform）的多维分解模块FDPCN，增强时序特征提取；2）改进的模型无关元学习（Model-Agnostic Meta-Learning, MAML）框架Fast-FM，通过参数分布优化解决数据异构性；3）快速本地初始化（Fast Local Initialization, FLI）策略加速模型收敛。实验使用中国吉林省四地区真实收费站异构数据验证有效性。

【Model framework】
通过构建FDPCN模型，将Patch-Mixer架构与信号分解结合，显著提升长短时序依赖建模能力。实验显示该模块在捕捉日/周周期特征时RMSE降低12.3%。

【Problem description】
针对收费站客户端非独立同分布（Non-IID）数据，定义N个客户端的历史窗口S:(x₁
,x₂
,...,x_S
)，通过联邦元学习实现跨站点协同预测。

【Experimental date】
基于吉林省四地区收费站真实数据（含车牌、进出站时间等），验证框架在MAE、MSE等指标上优于基线模型，其中联邦学习部分MAE降低12.3%。

【Our work】
研究突破在于首次将信号分解与联邦元学习结合，解决长时序预测中的数据异构问题。Fast-FM框架的快速收敛特性使训练效率提升17.6%，为分布式交通管理提供新范式。

结论表明，该框架不仅提升预测精度（MAE 5.04%），更通过参数分布机制保护数据隐私。作者Meng Yang团队指出，未来可扩展至多模态交通数据预测，但需进一步优化计算开销。这项工作为ITS领域分布式学习奠定方法论基础，其核心思想可推广至电力、医疗等时序敏感领域。