基于低频-高频特征解耦的时空交通流预测模型LHFNet研究

针对现有交通流预测方法难以同时捕捉低频周期性与高频突变特征的瓶颈问题，研究人员提出创新性LHFNet框架。该模型通过双频编码器（低频采用双向路由注意力机制，高频基于多层感知机）与动态门控融合模块，实现了长时序输入下的多尺度特征提取。实验证明其在四个真实数据集上超越现有STGNNs模型，为智能交通系统优化提供了新范式。

　　

城市脉搏的每一次跳动都体现在交通流的潮汐变化中。早晨通勤高峰的规律性涌动与突发暴雨导致的拥堵涟漪，共同构成了交通系统的复杂"心电图"。传统时空图神经网络(STGNNs)虽能捕捉路网节点间的关联，却像戴着毛玻璃眼镜的观察者——看得见整体趋势，辨不清细节波动。更棘手的是，现有模型受限于短时输入窗口，难以识别周循环、日循环等低频规律；而过度关注局部波动又会导致"见树不见林"。这种双频特征失衡已成为制约预测精度的阿喀琉斯之踵。

国家Key Laboratory of Air-based Information Perception and Fusion的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，提出了革命性的LHFNet解决方案。该框架首次将交通流解耦为表征系统固有周期的低频分量（如早晚高峰）和反映突发状况的高频分量（如交通事故），通过三个核心组件实现精准预测：采用双向路由注意力(bi-level routing attention)的低频编码器能过滤无关信息，配合patch embedding技术处理长序列；基于多层感知机(MLP)的高频编码器捕捉瞬时波动；动态门控融合模块则实现双频特征的智能加权。

关键技术包括：1) 基于真实交通节点采集的四大数据集构建；2) 低频编码器的patch merging操作实现多尺度特征降维；3) 高频编码器的残差连接结构；4) 门控融合机制的可解释性设计。

研究结果
低频编码器设计
通过引入patch embedding将输入序列转换为非重叠片段，使模型能处理长达一周的历史数据。实验显示，该设计使PeMSD4数据集上的MAE指标降低12.7%，证明长时序对稳定周期特征提取的关键作用。

高频编码器优化
采用5层MLP配合跳跃连接的结构，在突发事故场景下较TCN提升9.3%的预测灵敏度。消融实验证实残差连接能有效缓解高频信号衰减。

双频特征融合
门控机制动态调节低频周期信号与高频扰动信号的贡献权重。在Metr-LA雨雪天气案例中，融合模块使预测误差峰值降低21.4%。

结论与展望
该研究开创性地从频域视角重构交通流预测范式，LHFNet在四大基准测试中平均精度提升15.2%。特别是低频编码器对早晚高峰的预测误差较Transformer降低23.1%，验证了长周期建模的价值。未来工作可探索：1) 多交通模态（如地铁、公交）的频域耦合机制；2) 基于联邦学习的跨城市频域知识迁移。这项研究不仅为智能交通装上"频谱分析仪"，更为时序预测领域提供了通用的频域解耦方法论。