WGM-Net:一种基于多小波与地理感知动态记忆网络及时间对齐Mamba的交通流量预测模型

《Computers and Electrical Engineering》:WGM-Net: A multi-wavelet and geography-aware dynamic memory network with temporal alignment Mamba for traffic flow forecasting

【字体: 大 中 小 】 时间:2026年10月24日 来源:Computers and Electrical Engineering 5.5

编辑推荐:

   # 摘要 交通流量预测是智能交通系统中的关键任务,准确的预测需要对多尺度时间动态、区域功能异质性以及从历史观测到未来预测目标之间的分布漂移进行建模。现有方法通常直接处理混合频率的交通信号,或依赖单一的小波基函数进行分解,这限制了其区分稳定趋势与突发波动的能力。此外,地理和日

  

# 摘要

交通流量预测是智能交通系统中的关键任务,准确的预测需要对多尺度时间动态、区域功能异质性以及从历史观测到未来预测目标之间的分布漂移进行建模。现有方法通常直接处理混合频率的交通信号,或依赖单一的小波基函数进行分解,这限制了其区分稳定趋势与突发波动的能力。此外,地理和日历相关的先验知识通常通过浅层特征融合来引入,使得模型难以捕捉其与演化交通模式之间的交互作用。为解决上述问题,本文提出了一种面向交通流量预测的多小波与地理感知动态记忆网络WGM-Net。所提出的模型利用互补的小波基函数将交通流量变化分解为趋势和细节表示,从而增强多尺度时间特征提取能力。进一步地,该模型将节假日感知的时序嵌入和基于兴趣点(POI)的地理表示引入动态记忆结构中,以捕捉日历特异性的变化以及区域功能差异。此外,本文提出了时序对齐Mamba机制,以缓解历史-目标分布漂移问题并精化预测序列,从而提升多步预测性能。在PEMSD4和PEMSD8两个真实交通数据集上的大量实验表明,WGM-Net在预测精度上始终优于竞争性基线模型。这些结果表明,WGM-Net为建模城市路网中复杂的时空交通模式提供了一个有效且鲁棒的框架。WGM-Net的源代码已公开发布于:https://github.com/Linly01/WGM-Net。

## 1. 引言

快速城市化和不断增长的车辆数量给城市交通管理带来了巨大压力,使得高效智能的交通控制日益重要。作为智能交通系统(ITS)[1]的核心组成部分,交通流量预测旨在利用大规模出行数据来提升路网效率。通过建模历史交通观测中的时空依赖关系来估计未来的网络状态,交通流量预测能够实现主动式信号灯控制、动态路径规划以及战略性需求管理。然而,准确的交通预测仍然充满挑战,因为城市交通流量本质上是时空耦合的。交通状态不仅由时间历史决定,还受到区域功能属性和时变出行需求的共同影响。如图1(a)所示,交通流量在一天中表现出明显的时序演化特征,其强度与峰值模式在不同区域功能区域之间存在差异,包括学校、医疗、住宅、车站和休闲区域。这一观察表明,交通流量不仅与时间动态密切相关,还与各个传感器周边区域的功能特征相关联。图1(b)进一步表明,工作日、常规周末和节假日在峰值时间、波动幅度和整体分布上导致了不同的流量特征。这些观察结果表明,有效的交通预测应同时捕捉空间异质性、时间变化及其动态交互作用。

下载:下载高分辨率图像(843KB)
下载:下载完整尺寸图像

图1. 关于交通流量数据的发现。

为了建模如此复杂的时空交通模式,现有的交通预测方法大致可分为三类:统计方法、传统机器学习方法和深度学习方法。统计方法(如ARIMA [2]及其变体)是捕捉线性时间依赖关系的经典时间序列模型。然而,它们受限于平稳性假设,这限制了其捕捉交通流量固有的高度非线性和非平稳特性的能力。机器学习方法(包括SVR [3]和随机森林[4])随后通过手动特征工程增强了非线性拟合能力。然而,这些方法严重依赖领域特定的特征设计,在处理大规模时空数据集时计算效率较低。为减少对人工模型构建和超参数调优的依赖,自动机器学习也被探索用于时间序列预测,包括使用循环神经网络进行长期预测的框架[5]。然而,这些研究主要关注通用的单变量时间序列预测,并未显式建模交通网络中耦合的空间和时间依赖关系。

深度学习的出现推动了交通预测领域的重大范式转变。早期的时空图神经网络(STGNNs),如DCRNN [6]和STGCN [7],建立了一种通用的时空建模范式,其中基于图的操作符捕捉节点间空间依赖关系[8],而诸如GRU [9]或门控时间卷积等循环单元则建模时间动态。后续研究沿多个方向推进了交通预测。动态图学习方法(如DGCRN [10]和MDGCRN [11])利用参数化节点嵌入自适应地生成图结构,从而提升捕捉动态空间依赖关系的能力。记忆增强模型(如PM-DMNet [12]和MegaCRN [13])引入可学习记忆矩阵来存储代表性交通模式并提升模式检索能力。基于小波的方法(如Wavelet-HST [14])通过将交通信号分解为多尺度分量来增强时间表示。并行地,基于Mamba和注意力的模型(包括ST-Mamba [15]和HLFNet [16])为长程时间建模提供了有前景的方法。近期的基于图的交通预测方法(如MSTDFGRN [17])通过在多个子空间上整合预定义和自适应图结构进一步改进了空间依赖关系建模。然而,这些方法仍然依赖显式的图构建:预定义图受限于固定拓扑结构,而学习的图可能表示全局共享关系或受瞬时交通波动的干扰。此外,区域功能信息很少直接融入交通模式建模中。相比之下,WGM-Net在无需显式构建图的情况下,将基于POI的功能表示引入动态记忆中,使模型能够捕捉传感器级别的功能异质性和交通状态依赖的模式。

尽管现有方法在特定任务上取得了显著进展,但在解决交通流量预测的核心挑战时仍面临若干局限:

**1)多尺度特征提取不足:** 交通流量本质上包含混合频率的时间模式。低频分量通常对应相对稳定的出行节律,如日内峰值和周周期性;而高频分量通常由随机事件触发,包括交通事故、临时管控措施及其他突发扰动。传统时域建模方法通常将混合频率分量直接输入网络。这种混杂阻碍了模型解耦并独立学习不同频率分量的演化模式,从而损害了预测精度和鲁棒性。基于分解的预测方法可以通过将复杂的非平稳序列分解为更简单的分量来缓解这一难题[18]。尽管MDGCRN [11]尝试利用小波变换进行多尺度特征分解并在分离趋势和细节分量方面取得了进展,但此类方法通常依赖单一的小波基函数进行离散小波变换(DWT)。这一局限性使其难以适应交通数据的复杂异质性。因此,现有方法无法精确表征趋势和细节分量的本质特征,分解后的数据常常存在信息冗余或关键特征丢失的问题。

**2)多源外部先验引导融合不充分:** 交通状态同时受时间语义和区域功能异质性影响,但现有方法在建模这两方面方面仍然有限。关于时间特征设计,主流时空图神经网络如ASTGCN [19]和STSGCN [20]仅纳入两种周期性特征:日内时间和星期几。这些模型通常将节假日视为普通非工作日,与常规周末共享相同的特征表示。这种处理方式忽略了节假日出行(由旅游或返乡驱动)与周末出行(以本地休闲为主)之间的根本差异。因此,这些模型无法捕捉节假日特有的交通流量激增或模式转变。另一方面,交通流量还受到地理和社会经济因素的影响,包括兴趣点(POI)分布、节假日效应和天气条件等。大多数现有方法简单地将历史交通流量之外的多个额外特征变量拼接为输入向量,而忽视了它们与动态交通状态之间的深层非线性交互作用。结果导致模型无法根据当前交通场景调整对外部信息的依赖程度,在复杂时空环境(如节假日期间的商业区)中产生不准确预测。例如,尽管PM-DMNet [12]利用记忆网络提取交通模式,但其节点嵌入是随机初始化的,未能有效融入基于POI的区域功能属性。这些综合缺陷限制了模型在复杂场景中的泛化能力。

**3)历史-目标分布漂移与时序连续性建模不足:** 历史-目标分布漂移指的是在一个预测样本中,历史输入窗口与未来目标窗口之间交通状况的突然变化。未来目标可能表现出与历史窗口中观测到的不同的交通流量水平、趋势方向或波动模式。如图1(c)所示,来自同一传感器的两段历史片段表现出可比的高流量且相对稳定的条件。然而,一个预测目标保持近似稳定,而另一个则发展出明显的下降趋势。这一现象对模型捕捉交通动态突变的能力提出了更高要求。尽管近期基于并行多步预测的方法(如ASTGN [21])利用转换注意力将编码器侧的历史表示转化为解码器侧的预测表示,但其基于注意力的转换主要聚焦于为未来步骤检索预测相关的历史信息。相邻预测步骤之间的显式过渡约束仍然不足,这可能导致在交通状态快速转换时出现不自然的波动或噪声放大。

为了解决上述问题,我们提出了WGM-Net,该网络建立了一个渐进式预测流程,依次连接多尺度分解、地理条件化交通模式检索和目标感知序列精化。我们引入了多小波域分解模块(MW-DDM)以增强多尺度特征提取。该模块采用一组具有互补时频定位特性的小波基函数,对交通流量数据进行多尺度分解。通过利用特征互补性,该模块增强了在复杂交通场景中的特征提取全面性。持续学习方法(如DAA [22]和EVOLVE [23])通过顺序模型更新来应对演化的交通分布或网络结构。相比之下,MW-DDM利用多个固定的小波基构建互补的趋势和细节表示,后续的可学习融合则在模型训练过程中调整投影分量的贡献。这一设计使模型能够根据预测目标利用不同的小波表示。

此外,我们设计了节假日感知时序嵌入生成器(HTE-Generator)和地理动态记忆门控循环单元(GeoDMGRU)来加强时间和地理先验的利用。该生成器显式编码日内、周内和节假日特异的时序语义,使模型能够区分节假日、周末和工作日。地理动态记忆网络(GeoDMN)嵌入到GeoDMGRU中,将地理先验、时间嵌入和动态交通表示与循环状态联合更新。GeoDMGRU将这些时间嵌入与POI驱动的节点表示及动态交通状态整合。POI数据通过多层感知机(MLP)转换生成具有区域功能属性的节点表示,并通过可学习门控机制与随机初始化的嵌入进一步融合。这一设计使模型能够感知城市区域间的功能差异,并改善外部先验与动态交通状态的整合。

进一步地,我们提出了时序对齐Mamba机制(TAMM)以提升目标感知的时间建模和预测连续性。TAMM首先利用目标时间嵌入作为查询,通过转换注意力检索每个预测步骤相关的历史表示。不同于直接使用对齐表示进行预测的传统转换注意力设计,TAMM进一步将目标条件化的序列输入Mamba模块。该建模通过捕捉未来预测步骤之间的关系来改善多步预测精度。

总之,本文的贡献可总结如下:

- 我们提出了WGM-Net,一种渐进式交通预测框架,通过共享的时间和地理条件化将多尺度分解、上下文条件化动态记忆检索和目标感知序列精化耦合在一起。
- 我们开发了MW-DDM和TAMM以增强时间表示学习。前者利用互补的小波基将交通流量变化解耦为趋势和细节分量,同时捕捉粗粒度规律模式和细粒度波动。后者根据未来时间上下文检索历史表示,并通过选择性状态空间循环精化预测序列,增强多步预测的连续性。
- 我们设计了GeoDMN以将地理先验融入动态交通模式建模。通过将POI驱动的地理表示注入动态记忆,该模块捕捉区域功能异质性及其与演化交通状态的交互作用。
- 在PEMSD4和PEMSD8数据集上的实验结果表明,所提出模型在MAE、MAPE和RMSE三项关键指标上均优于最先进的基线模型,验证了我们方法的有效性和鲁棒性。

## 2. 相关工作

本节从四个建模维度组织现有的交通流量预测研究:空间依赖关系建模、时间依赖关系与交通模式学习、频率感知与多分辨率表示,以及辅助时间和地理先验的整合。相应地,表1总结了代表性方法在这些维度上所采用的建模策略。

表1.

## 代表性交通预测模型在关键建模维度上的对比

| 模型 | 图构建 | 空间建模 | 时间建模 | 频率建模 | 上下文融合 | 预测目标 |
|------|--------|----------|----------|----------|------------|----------|
| STGCN [7] | 预定义 | ChebGCN | 门控TCN | × | - | 速度 |
| Graph WaveNet [24] | 混合 | 扩散GCN | 膨胀TCN | × | - | 速度 |
| GMAN [25] | 预定义 | 注意力 | 注意力 | × | 时段+星期 | 流量 | 速度 |
| DGCRN [10] | 混合 | 扩散GCN | GRU | × | 时段 | 速度 |
| GDGCRN [26] | 自适应 | SS-GCN | GRU | × | 时段+星期 | 流量 | 速度 | 需求 |
| MSTDFGRN [17] | 混合 | 多视图GCN | Bi-GRU | 注意力 | × | - | 流量 |
| MTEGCRN [27] | 自适应 | 节点导向GCN | GRU | Transformer | × | 时段+星期 | 流量 | 速度 |
| MDGCRN [11] | 动态 | 动态GCN | GRU | √ | 拼接[时段, 星期] | 流量 |
| HLFNet [16] | 预定义 | 多视图节点嵌入 | 注意力 | √ | 拼接[时段, 星期] | 流量 |
| DMFGCRN [28] | 动态 | DEGL-GCN | Bi-GRU | × | 时段⊙星期 | 流量 | 速度 | 需求 |
| DSTMT [29] | 预定义 | iTransformer | GRU | × | 时段⊙星期 | 流量 |
| HGMN [30] | 混合 | 动态记忆 | U-Net | 动态记忆 | × | - | 流量 |

### 空间依赖建模

空间依赖建模已从预定义图发展为自适应和动态关系学习。早期方法,以STGCN [7]和GMAN [25]为代表,从道路拓扑或传感器距离构建空间关系,并通过图卷积或注意力机制提取节点间依赖。混合图和自适应图方法,包括Graph WaveNet [24]、GDGCRN [26]和MTEGCRN [27],将物理先验与从节点嵌入中学习的潜在关系相结合,并可能引入节点特定参数空间以考虑空间异质性。ADCT-Net [31]进一步将预定义图和自适应图结构相结合,构建双时空表示,并采用交叉融合Transformer建模其交互关系。动态图方法,如DGCRN [10]、MDGCRN [11]和DMFGCRN [28],进一步以交通观测、隐藏状态或时间信息为条件来构建节点关系。MSTDFGRN [17]通过在不同子空间中融合多个图视图扩展了这一方向。这些发展提高了节点间关系学习的灵活性,并减少了对外部单一静态拓扑的依赖。然而,预定义图无法反映时变交互关系,自适应图通常被学习为全局共享的关系,而动态图可能对瞬时交通噪声敏感或未能充分受物理结构约束。

### 时间建模

时间建模已从局部和顺序依赖提取发展到全局注意力和可复用交通模式学习。卷积架构捕获局部时间演化,而循环架构,如LSTM [32]和GRU [9]网络,建模有序时间依赖。注意力和基于Transformer的方法将感受野扩展到长程时间关系。记忆增强方法进一步通过有限数量的重复模式来表示复杂的交通观测。PM-DMNet [12]通过迁移注意力从可学习记忆中检索与未来相关的模式,而HGMN [30]将层次化时间表示与门控动态图记忆相结合。DSTMT [29]同样将时间模式嵌入、记忆增强模式匹配和自适应迁移相结合,以学习代表性交通模式。跨不同领域的交通知识复用也得到了探索。PTCC [33]在数据丰富的源城市预训练长期时间模式和图表示,并将所获知识迁移到数据稀缺的目标城市。尽管记忆检索和跨城市预训练在不同的预测场景下运行,但两者都证明了代表性交通知识可以被编码和复用,而不是针对每个样本或领域独立学习。然而,现有的记忆和迁移机制主要关注为单个预测步骤检索可复用的历史或源域信息,而连续未来步长之间的时间关系仍未得到明确的建模。

### 频率感知交通预测

频率感知交通预测研究旨在通过信号分解或多分辨率表示学习来区分稳定的时间趋势和瞬时波动。Wavelet-HST [14]展示了多分辨率分解在时空交通预测中的价值。STWave [34]和STWave+ [35]通过离散小波变换和双通道时空编码器显式地分离稳定趋势和波动事件。MDGCRN [11]采用基于小波的趋势-细节分解,获得稳定趋势和瞬时波动的独立表示,而WaveGFormer [36]将小波分解和可学习滤波融入图Transformer中。GW-NCDE [37]应用图-小波神经控制微分方程来建模与交通事故相关的局部扰动。HLFNet [16]不采用显式频率变换,而是通过局部窗口注意力和平均池化提取细粒度和粗粒度的时间动态。多分辨率表示也通过层次化时间分块和块内/块间注意力得到了探索 [38]。相关的多分辨率研究还将尺度感知建模扩展到不同的输出分辨率。例如,FG-TFP [39]通过跨模态特征融合和动态上采样从粗粒度观测中重建细粒度交通流量。总体而言,基于小波的方法和多分辨率方法从不同角度应对了时间异质性问题。基于小波的方法直接将交通信号分解为频率相关分量,但通常依赖于单一固定的小波基。多分辨率方法在不同时间或输出尺度上处理交通信息,但不能保证趋势和波动分量之间的清晰分离。因此,需要在不同交通条件下联合建模稳定趋势和瞬时波动的进一步研究。

### 辅助先验集成

现有辅助先验集成研究主要纳入周期性时间嵌入,地理和区域功能信息的使用则较少。更广泛地说,适当构建和集成的辅助变量可以为预测提供有用的补充信息 [40]。GDGCRN [26]、MTEGCRN [27]、DMFGCRN [28]和DSTMT [29]等代表性方法纳入了时段和星期特征来刻画规律性周期模式。这些时间嵌入提高了不同日间和周期间的区分度,但通常没有显式地区分公共假期和普通周末。与规律性时间线索相比,基于兴趣点(POI)的区域功能信息较少被纳入交通预测模型。当使用辅助变量时,通常通过直接拼接、逐元素加法或其他浅层操作与交通观测进行融合。这些策略可能无法充分刻画时间或区域功能先验与演化交通状态之间的非线性交互。因此,在许多现有预测框架中,假期特有的时间变化和区域功能异质性的表示仍然有限。

总体而言,近期交通预测研究在空间关系学习、时间依赖和重复交通模式建模、频率感知和多分辨率表示、以及辅助先验集成方面取得了实质性进展。

---

## 3. 预备知识

在本节中,我们介绍一些符号并将交通流量预测问题形式化。

### 定义1:时间索引函数

交通数据以固定间隔采集,因此每个节点状态对应一个特定时间戳。为利用这些特征,我们定义时间索引函数来提取关键时间模式。我们将步长 t 映射为时段索引 d(t)、星期索引 w(t) 和假期索引 v(t),这些函数捕获不同时间段内交通行为的差异。为将这些离散索引转换为连续高维表示,我们构建三个独立的、可学习的嵌入矩阵:$T_D \in \mathbb{R}^{N_d \times d_t}$、$T_W \in \mathbb{R}^{N_w \times d_t}$ 和 $T_V \in \mathbb{R}^{N_v \times d_t}$,其中 $d_t$ 表示时间嵌入维度,$N_d$ 表示一天内的采样频率,$N_w$ 表示一周的七天,$N_v$ 是假期类别数。

### 定义2:POI特征矩阵

POI代表描述路网节点地理和功能属性的核心静态特征。对于每个交通传感器,根据教育、医疗、住宅等多种功能类别,统计搜索半径 R 内的POI数量。我们构建POI特征矩阵 $P \in \mathbb{R}^{N \times K}$,其中 N 是传感器节点数,K 是POI类别数。第 i 行 $P_i = [p_{i1}, p_{i2}, \ldots, p_{iK}]$ 表示第 i 个传感器的POI特征向量,其中每个元素 $p_{ij}$($j = 1, 2, \ldots, K$)表示该传感器半径 R 内第 j 类POI的数量。

### 定义3:交通流量预测

我们将时间步 t 的交通状态表示为 $X_t \in \mathbb{R}^{N \times F}$,其中 N 是节点数,F 是每个节点观测的交通特征数。给定历史交通数据 $X_{t-L+1:t} \in \mathbb{R}^{L \times N \times F}$,其中 L 是历史输入窗口长度。交通流量预测的目标是学习一个映射函数 $f_\theta$,从时间步 t+1 到 t+T?L 预测未来交通流量,其中 T 表示涵盖历史输入窗口和预测步长的总长度。预测的交通流量表示为 $\hat{Y}_{t+1:t+T-L} \in \mathbb{R}^{(T-L) \times N}$。该过程可形式化为:

$$\hat{Y}_{t+1:t+T-L} = f_\theta(X_{t-L+1:t}) \tag{1}$$

---

## 4. 模型架构

图2展示了WGM-Net的整体架构,其中MW-DDM、HTE-Generator、GeoDMGRU和TAMM构成了上下文条件信息流。GeoDMN嵌入在GeoDMGRU中,以将小波域表示与记忆检索模式和地理先验相耦合。历史时间嵌入用于条件化记忆检索。未来时间嵌入引导历史-目标时间对齐,随后进行基于Mamba的精炼。表2总结了主要组件的输入和输出维度。

**表2:WGM-Net中主要组件的输入和输出维度**

| 组件 | 输入 | 输出 | 描述 |
|------|------|------|------|
| 多小波域分解模块(MW-DDM) | $X_f \in \mathbb{R}^{B \times L \times N \times 1}$ | $X_{trend1}, X_{trend2}, X_{detail1}, X_{detail2} \in \mathbb{R}^{B \times L \times N \times d_{out}}$ | $X_f$ 是历史交通流量张量。输出是使用bior3.5和Haar小波获得的四个投影后的趋势和细节表示。 |
| 假期感知时间嵌入生成器(HTE-Generator) | $T_D^{d(t)}, T_W^{w(t)}, T_V^{v(t)} \in \mathbb{R}^{d_t}$ | $T_t \in \mathbb{R}^{d_t}$; $T_n \in \mathbb{R}^{B \times L \times d_t}$; $T_f \in \mathbb{R}^{B \times (T-L) \times d_t}$ | $T_t$、$T_n$ 和 $T_f$ 分别表示时间步 t 的时间嵌入、历史时间嵌入序列和未来时间嵌入序列。 |
| 地理动态记忆门控循环单元(GeoDMGRU) | $X_{trend1}, X_{trend2}, X_{detail1}, X_{detail2}, T_t, E_{H_{trend1}^n}, H_{trend2}^n, H_{detail1}^n, H_{detail2}^n \in \mathbb{R}^{B \times N \times d_h}$ | $H_{trend1}^n, H_{trend2}^n, H_{detail1}^n, H_{detail2}^n \in \mathbb{R}^{B \times N \times d_h}$ | 输出是由四个小波表示生成的各分支最终隐藏状态。 |
| 可学习加权融合 | $H_{trend1}^n, H_{trend2}^n, H_{detail1}^n, H_{detail2}^n$ | $H_n \in \mathbb{R}^{B \times N \times d_h}$ | $H_n$ 是由四个分支隐藏状态融合得到的融合隐藏表示。 |
| 时间对齐Mamba机制(TAMM) | $H_n, T_n, T_f$ | $Y_{pre}, Y_m \in \mathbb{R}^{B \times (T-L) \times N \times 1}$ | $Y_{pre}$ 是初步预测,$Y_m$ 是Mamba精炼后的预测序列。 |
| 输出 | $Y_{pre}, Y_m$ | $\hat{Y} \in \mathbb{R}^{B \times (T-L) \times N \times 1}$ | $\hat{Y}$ 是最终预测的交通流量。 |

### 4.1. 多小波域分解模块(MW-DDM)

交通流量数据表现出典型的多尺度特征,包括工作日通勤高峰和季节性波动等稳定趋势分量,以及由事件、临时管制措施和其他突发事件引起的瞬时细节分量。单一小波基不足以完全捕获不同尺度上的交通流量特征。MW-DDM通过使用多个互补小波基并行分解信号来实现趋势和细节分量的分离。这增强了对多尺度特征的捕获能力,并为后续时空建模提供了更有针对性的输入特征。

小波变换是一种具有时频局部化特性的信号分析工具,适用于非平稳时间序列的多尺度建模。给定历史交通序列 $X_{t-L+1:t} \in \mathbb{R}^{L \times N \times F}$,其离散小波变换(DWT)将输入分解为低频近似分量和多个高频细节分量,可表示为:

$$X_{t-L+1:t} = X_l^{(J)} + \sum_{\mathscr{l}=1}^{J} X_h^{(\mathscr{l})} \tag{2}$$

其中 J 表示分解层数,$X_l^{(J)}$ 表示第 J 层的低频分量,$X_h^{(\mathscr{l})}$ 表示第 $\mathscr{l}$ 层的高频分量。当 J = 1 时,执行单级分解,将 $X_{t-L+1:t}$ 分离为趋势分量 $X_l^{(1)}$ 和细节分量 $X_h^{(1)}$:

$$X_l^{(1)} = X_{t-L+1:t} * h_l[K_f - 1 - n]$$
$$X_h^{(1)} = X_{t-L+1:t} * h_h[K_f - 1 - n] \tag{3}$$

其中 $h_l[n]$ 和 $h_h[n]$ 分别表示低通和高通小波滤波器系数,$K_f$ 是滤波器长度,* 表示卷积运算。每个分解层通过滤波器组实现。对于多级分解,对上一层的输出进行下采样以生成下一层的输入。

小波基是离散小波变换的核心函数和理论基础,定义了信号如何被分析和重建。依赖单一小波基可能对异构交通信号施加固定的分解模式。为缓解这一限制,MW-DDM并行构建互补的小波域表示,并将重建的趋势和细节分量映射到可学习特征空间。这样,后续的时空建模模块可以灵活地利用不同交通条件下的信息丰富的多尺度表示。在本研究中,我们使用两种小波基:bior3.5和Haar。bior3.5小波是双正交的、对称的并具有较高的消失矩数量,适合捕获平滑趋势。Haar小波作为最简单的正交小波,具有紧支撑性、计算效率高,并且能有效检测突变。

给定输入交通条件张量 $X_{t-L+1:t}$,我们首先提取交通流量特征 $X_f \in \mathbb{R}^{B \times L \times N \times 1}$,然后分别应用小波分解以获得两组低频和高频分量:

$$X_{bior_l}, X_{bior_h} = DWT(X_f, bior3.5)$$
$$X_{Haar_l}, X_{Haar_h} = DWT(X_f, Haar) \tag{4}$$

由于DWT分解中的下采样操作,输出序列长度缩短。为恢复原始时间维度并与输入保持对齐,我们应用逆离散小波变换进行重建:

$$\tilde{X}_{bior_l} = IDWT(X_{bior_l}, bior3.5),\ \tilde{X}_{bior_h} = IDWT(X_{bior_h}, bior3.5)$$
$$\tilde{X}_{Haar_l} = IDWT(X_{Haar_l}, Haar),\ \tilde{X}_{Haar_h} = IDWT(X_{Haar_h}, Haar) \tag{5}$$

随后,重建的趋势和细节分量被投影到高维可学习特征空间。这些投影使其分解表示能够针对预测任务进行调整。对于每个小波基 $\xi \in \{bior3.5, Haar\}$,投影过程形式化为:

$$X_{trend1}, X_{trend2} = W_l \cdot \tilde{X}_{\xi_l} + b_l$$
$$X_{detail1}, X_{detail2} = W_h \cdot \tilde{X}_{\xi_h} + b_h \tag{6}$$

其中 $W_l$、$W_h$ 是可学习投影矩阵,$b_l$ 和 $b_h$ 是偏置项。这产生了趋势和细节分量的高维表示 $X_{trend1}, X_{trend2}, X_{detail1}, X_{detail2} \in \mathbb{R}^{B \times L \times N \times d_{out}}$,其中 $d_{out}$ 表示输出维度。这些表示随后形成四个并行分支。如图2所示,其输出通过后续模块中的可学习加权融合进行集成。后续的可学习加权融合调整不同小波域分量的贡献,使模型能够利用互补的趋势和细节信息进行交通预测。

### 4.2. 假期感知时间嵌入生成器(HTE-Generator)

交通流量数据表现出明显的多周期时间依赖,日间循环(如早晚高峰)和周循环(如工作日与周末的差异)被认为是建模交通动态的关键因素。然而,现有的时间嵌入生成器主要关注规律性周期模式,往往忽视了假期对交通行为的影响。假期通常打乱正常的出行模式,导致交通模式的结构性变化,例如工作日通勤高峰可能减弱或偏移,旅游区域附近的交通可能激增。

为解决这一问题,我们提出了HTE-Generator,该模型显式建模节假日状态,从而增强模型捕获异常交通模式的能力。为准确提取多维时间特征,我们定义了三个独立的时间索引函数,将原始时间戳 $t$ 映射为结构化索引,得到日内时间索引 $d(t)\in\{0,1,2,\cdots,N_d-1\}$ 和周内时间索引 $w(t)\in\{0,1,2,\cdots,N_w-1\}$。对应于时间戳 $t$ 的节假日状态由离散函数表示,定义如下:

(7) $v(t)=\begin{cases} 0, & 工作日 \\ 1, & 周末 \\ 2, & 公共假日 \end{cases}$

此外,我们构建了可学习的时序嵌入池,以捕获不同时间尺度下的潜在模式,记为 $T_D\in\mathbb{R}^{N_d\times d_t}$、$T_W\in\mathbb{R}^{N_w\times d_t}$ 和 $T_V\in\mathbb{R}^{N_v\times d_t}$,其中 $d_t$ 为嵌入维度,$N_d$ 表示每天的时段数,$N_w$ 表示每周的天数,$N_v$ 表示节假日类型数。

利用上述时间索引函数和嵌入池,我们获得对应的日内特征嵌入 $T_D d(t)\in\mathbb{R}^{d_t}$、周内特征嵌入 $T_W w(t)\in\mathbb{R}^{d_t}$ 和节假日特征嵌入 $T_V v(t)\in\mathbb{R}^{d_t}$。这三种时序特征嵌入通过逐元素相乘进行融合,得到时序嵌入 $T_t$:

(8) $T_t=T_D d(t)\odot T_W w(t)\odot T_V v(t)$

该操作促进了不同时间尺度间的非线性交互,使模型能够学习复杂的联合效应,例如节假日对早高峰模式的调制作用或周末夜间出行特征的增强作用。与特征拼接或相加相比,逐元素相乘在计算上更加高效,并已被证明能有效捕获特征间的调制关系。

### 4.3 地理动态记忆网络

为在考虑传感器位置功能差异的同时捕获潜在交通模式,我们构建了GeoDMN,如图3所示。为增强模型对城市功能区差异的敏感性,我们构建了地理感知的节点嵌入矩阵 $E\in\mathbb{R}^{N\times d_n}$,其中 $d_n$ 为节点嵌入维度。具体而言,给定POI特征矩阵 $P\in\mathbb{R}^{N\times K}$,该矩阵通过多层感知机处理得到语义节点嵌入,同时保留一组随机初始化的可学习节点嵌入 $E_{rand}\in\mathbb{R}^{N\times d_n}$。为平衡结构信息与语义信息,门控融合机制自适应地结合这两种节点嵌入,生成最终的地理增强节点嵌入:

(9) $E_{poi}=MLP(P)$

(10) $\lambda=\sigma(MLP([E_{rand}\|E_{poi}]))$

(11) $E=\lambda\odot E_{rand}+(1-\lambda)\odot E_{poi}$

其中 $\|$ 表示拼接,$\odot$ 表示哈达玛积,$\sigma$ 为Sigmoid函数。门控向量 $\lambda$ 自动学习地理特征与数据驱动节点嵌入的相对重要性。

*下载:下载高分辨率图片(112KB)*
*下载:下载全尺寸图片*

**图3. GeoDMN架构。**

在此基础上,我们引入动态记忆网络以捕获交通流量中的潜在模式。从交通状况中提取动态信号如下:

(12) $F_{it}=MLP(x_{it})$

其中动态表示 $F_t\in\mathbb{R}^{B\times N\times d_f}$ 作为查询向量,与后续构建的记忆矩阵进行相似度匹配,检索与当前交通状态最相关的历史交通模式。$d_f$ 表示动态特征的维度。构建一个共享的可学习记忆矩阵 $\mathcal{M}\in\mathbb{R}^{M\times d_t}$ 用于存储代表性交通模式,其中 $M$ 表示记忆模式数量。记忆通过时序嵌入 $T_t\in\mathbb{R}^{d_t}$ 进行调制,形成时序感知的记忆表示:

(13) $\mathcal{M}_t=\mathcal{M}\odot T_t$

然后计算 $F_{it}$ 与 $\mathcal{M}_t^{\top}$ 之间的相似度权重:

(14) $\omega_{it}=softmax(F_{it}\mathcal{M}_t^{\top})$

其中 $\omega_{it}\in\mathbb{R}^M$ 表示相似度权重向量。

随后,时序感知记忆 $\mathcal{M}_t$ 通过线性变换获得模式特定的特征表示。这些表示与相似度权重向量 $\omega_{it}$ 相乘,实现历史交通模式的自适应匹配与提取,计算如下:

(15) $h_{it}=\omega_{it}\mathcal{M}_t$

其中 $h_{it}$ 表示提取的交通模式特征。然后应用残差连接层将 $h_{it}$ 与当前交通状态 $x_{it}$ 进行拼接以提取隐藏特征:

(16) $H_{it}=(h_{it}\|x_{it})\Theta$

(17) $\Theta=E\cdot W$

其中 $\Theta\in\mathbb{R}^{N\times C_{in}\times C_{out}}$ 是一组利用地理感知节点嵌入和权重池 $W\in\mathbb{R}^{d_n\times C_{in}\times C_{out}}$ 生成的可学习参数。该设计使每个传感器能够使用根据其地理和功能上下文定制化的变换参数,从而捕获节点级异质性。

### 4.4 地理动态记忆门控循环单元

GeoDMGRU将GeoDMN嵌入门控循环结构中,并用于历史编码和目标解码阶段。在编码阶段,它将小波域交通特征与地理和时间信息以及记忆检索的交通模式进行整合,生成富含上下文的历史状态。在解码阶段,它处理时间对齐的表示与未来时序嵌入,以产生初步预测序列。GeoDMGRU的结构如图4所示。计算过程公式化如下:

(18) $r_t=\sigma(\mathcal{G}_r([X_t\|H_{t-1}],E,T_t))$

(19) $z_t=\sigma(\mathcal{G}_u([X_t\|H_{t-1}],E,T_t))$

(20) $h_t=\tanh(\mathcal{G}_h([X_t\|z_t\odot H_{t-1}],E,T_t))$

(21) $H_t=r_t\odot H_{t-1}+(1-r_t)\odot h_t$

其中 $X_t$ 和 $H_t$ 分别表示时间 $t$ 的输入和输出,$\sigma$ 为Sigmoid激活函数,$r$ 和 $z$ 为重置门和更新门,$\mathcal{G}_h$ 代表GeoDMN模块。

*下载:下载高分辨率图片(128KB)*
*下载:下载全尺寸图片*

**图4. GeoDMGRU的构建。**

### 4.5 时序对齐Mamba机制

GeoDMGRU首先在编码阶段生成富含上下文的历史表示。然而,这些表示并未直接识别哪些历史状态对每个未来步骤最为相关,也未建模未来预测序列中的依赖关系。因此,TAMM分两个阶段执行目标端建模。迁移注意力首先将历史表示与未来时序上下文进行对齐,随后GeoDMGRU将对齐后的特征解码为初步预测序列。Mamba随后通过建模未来步骤间的依赖关系来精炼该序列。

该模型使用历史隐藏状态 $H_n$、历史时序嵌入 $T_n$ 和未来时序嵌入 $T_f$ 构建查询、键和值映射。该过程旨在利用注意力机制识别历史数据中与未来预测点时序特征最相似的模式。计算过程公式化如下:

(22) $Q=ReLU(W_Q\Phi(H_n,T_f)+b_Q)$

(23) $K=ReLU(W_K\Phi(H_n,T_n)+b_K)$

(24) $V=ReLU(W_V\Phi(H_n,T_n)+b_V)$

其中 $\Phi(\cdot)$ 表示广播操作,$W_Q$、$W_K$、$W_V$ 为可学习权重矩阵,$b_Q$、$b_K$ 和 $b_V$ 为偏置项。随后,通过缩放点积注意力计算时间对齐特征,根据预测目标的时序需求重建历史上下文:

(25) $H_{align}=Softmax(\frac{QK^T}{\sqrt{d_k}})V$

(26) $Y_{pre}=\text{GeoDMGRU}(H_{align},E,T_f)$

时间对齐表示 $H_{align}$ 由GeoDMGRU解码以生成初步预测序列 $Y_{pre}$。为进一步校正预测误差,我们利用基于选择性状态空间模型的Mamba网络[41]增强 $Y_{pre}$,该网络通过输入依赖的状态转移和投影参数建模序列依赖关系,实现具有线性计算复杂度的高效时序扫描。首先,我们使用零阶保持将连续状态空间模型离散化:

(27) $\overline{A}_t=\exp(\Delta_t A)$

(28) $\overline{B}_t=(\Delta_t A)^{-1}(\exp(\Delta_t A)-I)\Delta_t B_t$

其中 $A$ 表示连续状态转移矩阵,$B_t$ 是时间步 $t$ 的输入投影矩阵,$\Delta_t$ 表示输入依赖的离散化步长。$\overline{A}_t$ 和 $\overline{B}_t$ 分别为离散化状态转移矩阵和离散化输入矩阵,控制离散时间序列中的状态演化和输入注入。

其次,我们将离散化状态空间模型递归地应用于 $Y_{pre}$,从而捕获细粒度的局部时序特征:

(29) $s_t=\overline{A}_t s_{t-1}+\overline{B}_t y_{pre,t}$

(30) $y_t=C_t s_t$

其中 $s_t$ 表示时间步 $t$ 的状态空间模型的隐藏状态,$y_{pre,t}$ 表示 $Y_{pre}$ 的第 $t$ 个元素,$C_t$ 表示时间步 $t$ 的输出投影矩阵。最后,$Y_{pre}$ 通过Mamba以残差连接进行精炼:

(31) $Y_m=\text{Mamba}(Y_{pre})$

(32) $\hat{Y}=Y_{pre}+\alpha Y_m$

其中 $\alpha$ 为可学习的残差缩放因子,自适应地控制精炼模块对最终输出的贡献,确保模型在引入时序增强信息的同时保持初始预测的稳定性。$\hat{Y}\in\mathbb{R}^{(T-L)\times N\times 1}$ 表示最终预测的交通张量,在保持线性计算复杂度的同时实现高精度、时序一致的交通预测。

## 5. 实验

### 5.1 数据集与设置

**1) 数据集:** 为评估WGM-Net的性能,我们在两个真实的高速公路交通数据集PEMSD4和PEMSD8上进行了实验。这些基准数据集源自美国加州交通部绩效测量系统(Caltrans Performance Measurement System),包含以5分钟间隔采集的高速公路数据。两个数据集均被广泛应用于交通流量和速度预测中的时空模型研究。表3提供了这些数据集的详细特征。

**表3. PEMSD4和PEMSD8数据集统计信息。**

| 数据集 | 节点数 | 样本数 | 采样率 | 时间范围 |
|--------|--------|--------|--------|----------|
| PEMSD4 | 307 | 16,992 | 5 min | 2018/01/01–2018/02/28 |
| PEMSD8 | 170 | 17,856 | 5 min | 2016/07/01–2016/08/31 |

对于POI特征,我们从Caltrans绩效测量系统获取传感器ID及对应的经纬度坐标,并从OpenStreetMap获取周边POI的历史快照。具体而言,PEMSD4使用2017年12月31日23:59:59 UTC的OSM快照(其交通观测始于2018年1月1日),而PEMSD8使用2016年6月30日23:59:59 UTC的快照(其交通观测始于2016年7月1日)。对于每个传感器,在搜索半径 $R$ 范围内收集POI并归为六种功能类别:教育、医疗、住宅、交通、商业和休闲。主实验采用 $R=500$ m的半径,其敏感性在5.5.4节中进一步考察。

遵循以往研究[42,43,44,45]的基准方法,我们按照6:2:2的比例将每个数据集划分为训练集、验证集和测试集。训练集用于模型参数优化,验证集用于超参数选择和早停,测试集用于在确定的超参数设置下进行最终性能评估。此外,我们使用前12个时间步的数据预测后续12个时间步的交通流量。在训练前,我们对所有数据集的输入应用Z-score标准化。

**2) 实验设置:** 我们使用配备24GB显存的NVIDIA RTX 4090 GPU评估所提出的WGM-Net模型。模型使用PyTorch 2.0.0和Python 3.8实现。所有实验在Ubuntu 20.04和CUDA 11.8环境下进行。为确保公平且直接的比较,复现的基线模型在相同的数据划分、历史输入长度、预测视野、标准化方法和评估指标下进行训练。对于本研究中未复现的基线,结果取自原文;复现的结果在表5中以星号标注。主要模型特定超参数,包括记忆大小 $M$、时序嵌入维度 $d_t$ 和节点嵌入维度 $d_n$,根据验证集上的预测性能进行选择。其候选设置和基于验证集的敏感性结果在5.7节中进一步考察。批量大小和学习率分别固定为64和0.003,与先前的工作[12]采用的设置一致。在训练过程中,通过监控验证损失执行早停,耐心度为30个epoch。所得模型和训练设置总结于表4。

**表4. WGM-Net的模型和训练设置。**

| 数据集 | $d_t$ | $d_n$ | $M$ | 批量大小 | 学习率 | 早停耐心度 |
|--------|--------|--------|------|----------|--------|------------|
| PEMSD4 | 24 | 12 | 10 | 64 | 0.003 | 30 |
| PEMSD8 | 24 | 20 | 10 | 64 | 0.003 | 30 |

**3) 评估指标:** 为评估预测性能,我们使用三个广泛使用的评估指标:均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE):

(33) $RMSE=\sqrt{\frac{1}{SS}\sum_{i=1}^{S}(Y_i-\hat{Y}_i)^2}$

(34) $MAE=\frac{1}{SS}\sum_{i=1}^{S}|Y_i-\hat{Y}_i|$

(35) $MAPE=\frac{100\%}{SS}\sum_{i=1}^{S}\left|\frac{Y_i-\hat{Y}_i}{Y_i}\right|$

其中 $S$ 为测试样本数量。

### 5.2 基线模型

我们将WGM-Net与一系列基线模型进行了比较,包括传统统计方法、经典机器学习方法和最先进的时空预测模型。

基线模型介绍如下:

- ARIMA [2]:该模型结合自回归和移动平均分量来拟合时间序列数据,并预测未来交通状况。
- SVR [3]:该模型采用线性支持向量回归来执行传统的时间序列回归任务。
- LSTM [32]:利用存储单元和门控机制来建模交通序列中的长期时间依赖关系。
- GRU [46]:通过整合存储和门控机制简化了LSTM架构,在参数量更少的情况下实现了可比的性能。
- STGCN [7]:融合因果卷积和图卷积,通过多尺度交通网络建模有效捕获完整的时空相关性。
- DCRNN [6]:将交通流建模为扩散过程,采用图随机游走算法捕获空间相关性,并使用带有调度采样的编码器-解码器架构学习时间依赖关系。
- ASTGCN [19]:通过注意力和图卷积捕获动态的时空交通依赖关系。
- DSANet [47]:通过双卷积提取全局和局部时间模式,并使用自注意力和AR融合建模多变量序列依赖关系。
- Graph WaveNet [24]:学习自适应邻接矩阵以捕获隐藏的空间依赖关系,并使用堆叠空洞因果卷积建模长期时间依赖关系以进行交通预测。
- GMAN [25]:采用图多注意力机制,结合时空和变换注意力来建模动态相关性并减少误差传播。
- EnhanceNet [48]:增强相关时间序列预测的神经网络插件引入时间插件和空间插件来增强时间动态和实体关系。
- DGCRN [10]:采用超网络生成逐步动态图并将其与静态图融合进行预测。
- MDGCRN [11]:使用小波分解和动态图卷积来建模交通时空特征。
- PM-DMNet [12]:利用记忆矩阵存储和匹配典型交通模式,同时采用迁移注意力将历史隐藏状态与未来分布对齐。
- GDGCRN [26]:通过传感器特定的GCN和多尺度时间嵌入解耦稳态和非稳态信号以进行预测。
- MTEGCRN [27]:通过节点导向GCN和全局Transformer增强多尺度时间特征以进行交通预测。
- HLFNet [16]:使用高低频注意力进行多尺度长期交通时空预测。
- MSTDFGRN [17]:在多个子空间中融合静态和自适应图以捕获多视图空间依赖关系,并采用带有时空注意力的短期和长期循环网络进行交通预测。
- DSTGA-Mamba [49]:整合小波解耦、图注意力和Mamba以实现鲁棒的长期时空交通预测。
- ST-Camba [50]:将空间维度整合到状态空间方程中,以实现线性复杂度的耦合时空图建模。
- DMFGCRN [28]:采用动态图学习捕获不断演化的空间依赖关系,并使用带有渐进信号解耦的双向循环处理来建模时间动态。
- DSTMT [29]:整合时间模式嵌入、记忆增强模式匹配、量子启发的自适应迁移机制和iTransformer,以建模时空异质性并将历史表示与未来预测目标对齐。
- PTCC [33]:采用基于掩码自编码器的预训练,从数据丰富的源城市学习长期交通表示,并构建离散图结构。

### 5.3 对比实验结果

#### 5.3.1 性能比较

表5报告了WGM-Net和基线模型在PEMSD4和PEMSD8上的预测性能。为了提供更清晰和更公平的比较,我们在相同的实验环境、数据划分、预处理、归一化策略、训练设置和评估指标下重新实现了三个具有可用官方实现的竞争性基线模型。为了进一步评估结果的稳定性,表6报告了WGM-Net和重新实现的基线模型对应的均值和标准差。如图5和表6所示,WGM-Net在两个数据集上都取得了最低的MAE、RMSE和MAPE。尽管若干重新实现的基线模型(如PM-DMNet和DMFGCRN)在相同的实验协议下已经展现出强大的性能,但WGM-Net仍在所有评估指标上获得了最佳平均结果。此外,WGM-Net的标准差保持较小,表明所提出的框架在不同随机初始化下能保持稳定的预测性能。这些结果证明了WGM-Net相对于近期强大基线模型的竞争力和鲁棒性。

**表5** PEMSD4和PEMSD8数据集上与基线模型的性能比较。最佳和次佳结果分别用粗体和下划线突出显示。星号(*)表示使用官方实现进行的五次运行平均值。未标记的结果来自原始论文。括号内表示发表年份。

| 方法 | PEMSD4 MAE↓ | PEMSD4 RMSE↓ | PEMSD4 MAPE↓ | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|------|-----------|-----------|-----------|-----------|-----------|-----------|
| ARIMA [2] (1970) | 33.73 | 48.80 | 24.18 | 31.09 | 44.32 | 22.73 |
| SVR [3] (2004) | 28.70 | 44.56 | 19.20 | 23.25 | 36.16 | 14.64 |
| GRU [46] (2014) | 24.55 | 41.42 | 17.34 | 23.54 | 38.88 | 14.22 |
| STGCN [7] (2017) | 21.26 | 34.89 | 13.83 | 17.50 | 27.09 | 11.29 |
| DCRNN [6] (2017) | 21.22 | 33.44 | 14.17 | 16.82 | 26.36 | 10.92 |
| LSTM [32] (2018) | 26.77 | 40.65 | 18.23 | 23.09 | 35.17 | 14.99 |
| ASTGCN [19] (2019) | 22.92 | 35.22 | 16.56 | 18.25 | 28.06 | 11.64 |
| DSANet [47] (2019) | 22.79 | 35.77 | 16.03 | 17.14 | 26.96 | 11.32 |
| Graph WaveNet [24] (2019) | 24.89 | 39.66 | 17.29 | 18.28 | 30.05 | 12.15 |
| GMAN [25] (2020) | 19.14 | 31.60 | 13.19 | 15.31 | 24.92 | 10.13 |
| EnhanceNet [48] (2021) | 20.44 | 32.37 | 13.58 | 16.33 | 25.46 | 10.39 |
| DGCRN [10] (2023) | 19.39 | 30.86 | 13.42 | 14.92 | 24.09 | 9.85 |
| MDGCRN [11] (2025) | 18.35* | 30.44* | 12.45* | 14.65* | 24.33* | 9.80* |
| PM-DMNet [12] (2025) | 18.37* | 30.22* | 12.04* | 13.54* | 23.28* | 9.06* |
| GDGCRN [26] (2025) | 18.35 | 30.71 | 12.03 | 14.34 | 23.92 | 9.47 |
| MTEGCRN [27] (2025) | 18.45 | 30.65 | 12.22 | 14.27 | 24.19 | 9.43 |
| HLFNet [16] (2025) | 18.91 | 30.59 | 12.60 | 14.33 | 24.09 | 9.75 |
| MSTDFGRN [17] (2025) | 19.14 | 31.09 | 12.68 | 15.23 | 24.27 | 9.72 |
| DSTGA-Mamba [49] (2025) | 19.02 | 30.74 | 12.32 | 14.66 | 24.13 | 9.64 |
| ST-Camba [50] (2025) | 19.56 | 31.84 | 13.28 | 14.98 | 25.91 | 9.86 |
| DMFGCRN [28] (2026) | 18.54* | 30.90* | 12.24* | 14.45* | 23.46* | 9.38* |
| DSTMT [29] (2026) | 18.14 | 30.27 | 11.89 | 13.54 | 23.32 | 8.97 |
| PTCC [33] (2026) | 19.23 | 31.21 | 12.80 | 15.47 | 25.43 | 10.20 |
| **WGM-Net(本文)** | **18.13** | **29.91** | **11.79** | **13.46** | **23.16** | **8.96** |

**表6** 预测性能的均值 ± 标准差。

| 方法 | PEMSD4 MAE↓ | PEMSD4 RMSE↓ | PEMSD4 MAPE↓ | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|------|-----------|-----------|-----------|-----------|-----------|-----------|
| MDGCRN | 18.35 ± 0.05 | 30.44 ± 0.08 | 12.45 ± 0.05 | 14.65 ± 0.13 | 24.33 ± 0.11 | 9.80 ± 0.03 |
| PM-DMNet | 18.37 ± 0.08 | 30.22 ± 0.11 | 12.04 ± 0.04 | 13.54 ± 0.06 | 23.28 ± 0.06 | 9.06 ± 0.04 |
| DMFGCRN | 18.54 ± 0.06 | 30.90 ± 0.07 | 12.24 ± 0.09 | 14.45 ± 0.11 | 23.46 ± 0.09 | 9.38 ± 0.03 |
| **WGM-Net(本文)** | **18.13 ± 0.06** | **29.91 ± 0.08** | **11.79 ± 0.05** | **13.46 ± 0.12** | **23.16 ± 0.07** | **8.96 ± 0.06** |

与传统统计和机器学习模型相比,所提出的模型展现出明显优势。ARIMA [2]和SVR [3]等方法难以有效捕获交通流数据中的非线性模式、空间传播和时间动态,导致在两个数据集上均产生相对较高的误差。LSTM [32]和GRU [46]可以建模一定的时间依赖关系,但缺乏对道路网络空间结构的显式建模,这限制了其与时空图模型相比的预测性能。STGCN [7]、DCRNN [6]、ASTGCN [19]和Graph WaveNet [24]等模型通过图卷积或注意力机制提高了预测精度,但它们仍然未能充分捕获动态空间依赖关系和节点异质性。

与近期提出的深度学习模型相比,所提出的模型也实现了卓越的预测性能。PM-DMNet [12]、DMFGCRN [28]、GDGCRN [26]和MTEGCRN [27]等方法从动态记忆、动态图学习、信号解耦和多尺度时间建模等角度增强了交通预测,但它们仍未能超越所提出的模型在所有指标上的表现。值得注意的是,较新的Mamba状态空间模型(如DSTGA-Mamba [49]和ST-Camba [50])展现出强大的长序列建模能力和高计算效率,但在我们的实验中并未表现突出。这表明短期交通预测不仅依赖于长期时间关系,还依赖于准确捕获局部拥堵传播、节点异质性和突发的低频波动。此外,Mamba类模型的线性复杂度和长序列建模优势在该任务设置下并未完全转化为预测精度的提升,而频域解耦或耦合状态空间建模在处理局部突变方面显示出有限的收益。通过更有效地整合动态时空依赖关系与局部交通状态变化,所提出的模型在PEMSD4和PEMSD8上实现了更稳定的预测。

#### 5.3.2 统计验证

统计验证检验性能差异是否统计上可靠,而非由随机实验变异引起。为了提供整体比较,我们计算了表5中每个模型在所有数据集和评估指标上的平均排名。平局结果被分配其平均排名,得到的平均排名报告在表7中。在具有公开可用官方实现的基线模型中,PM-DMNet、DMFGCRN和MDGCRN拥有最佳平均排名,因此被选为后续统计检验的对象。

**表7** 对比模型的平均排名。

| 模型 | 平均排名 |
|------|---------|
| WGM-Net(本文) | 1.00 |
| DSTMT | 2.42 |
| PM-DMNet | 3.08 |
| GDGCRN | 5.08 |
| MTEGCRN | 5.83 |
| DMFGCRN | 6.33 |
| HLFNet | 7.08 |
| MDGCRN | 7.42 |
| DSTGA-Mamba | 8.00 |
| MSTDFGRN | 10.25 |
| DGCRN | 10.58 |
| GMAN | 12.25 |
| PTCC | 12.67 |
| ST-Camba | 13.17 |
| EnhanceNet | 14.83 |
| DCRNN | 16.17 |
| STGCN | 17.17 |
| DSANet | 17.83 |
| ASTGCN | 18.83 |
| Graph WaveNet | 20.17 |
| GRU | 21.67 |
| LSTM | 21.67 |
| SVR | 22.50 |
| ARIMA | 24.00 |

然后,我们在PEMSD8数据集上使用五次不同随机种子的MAE结果进行单侧配对t检验。表8呈现了统计检验结果。负的t统计量表明在配对运行中WGM-Net获得了比对比基线更低的MAE。相应的p值均低于0.05,表明WGM-Net存在统计上显著的差异。特别是,WGM-Net与PM-DMNet之间的差异(PM-DMNet是三个重新实现的基线中平均排名最佳的)仍保持统计显著性。结合表7中的平均排名分析,这些结果为WGM-Net的整体对比性能和统计可靠性提供了证据。

**表8** WGM-Net与基线模型在PEMSD8上对比的统计检验结果。

| 模型对比 | t统计量 | p值 |
|---------|--------|-----|
| WGM-Net vs MDGCRN | ?10.841 | <0.001 |
| WGM-Net vs DMFGCRN | ?10.195 | <0.001 |
| WGM-Net vs PM-DMNet | ?2.811 | <0.05 |

#### 5.3.3 多步预测性能

为评估不同预测时域下的预测性能,图5报告了WGM-Net和代表性基线模型在PEMSD8上的逐时域MAE和RMSE。随着预测时域的增加,所有模型的误差由于未来交通状态不确定性的增加而逐渐增大。尽管如此,WGM-Net在12个预测步骤中始终维持相对较低的误差,并表现出稳定的误差增长趋势,证明了其在多步交通预测中的有效性和鲁棒性。

图5. 预测步骤对比。

### 5.4 收敛性分析

图6对比了WGM-Net与代表性基线模型在PEMSD4和PEMSD8上的验证损失曲线。在两个数据集上,WGM-Net在早期训练阶段均表现出验证损失的快速下降,并比对比方法更早达到更低且更稳定的损失区域。尽管基线模型也逐渐收敛,但它们通常稳定在更高的验证损失水平或需要更多训练轮次才能接近收敛。这些结果表明WGM-Net在不同规模和流量模式的交通网络上均实现了稳定且一致的优化行为。

图6. 代表性模型在两个数据集上的验证损失曲线。

图7展示了WGM-Net在PEMSD4和PEMSD8上的训练和验证损失曲线。在两个数据集上,损失在前几个轮次中快速下降,然后逐渐稳定,表明优化有效。对于PEMSD4,曲线在约60个轮次后相对稳定,而PEMSD8在约45个轮次后达到稳定区域。此外,训练和验证曲线保持接近而无持续发散,表明收敛稳定且训练过程中没有明显过拟合。

图7. WGM-Net的训练和验证损失曲线。

### 5.5 消融与可解释性分析

为评估WGM-Net的有效性和可解释性,我们进行了五项分析:主要组件和内部机制消融、POI扰动、门控解释、POI半径敏感性和POI-交通模式相关性。消融实验量化了主要模块和内部设计的贡献;POI扰动和半径敏感性评估了地理先验的有效性和有效尺度;门控和相关性分析揭示了它们的融合行为以及与所学习交通模式的关联。

#### 5.5.1 主要组件和内部机制消融

**主要组件**

在主要组件层面,我们通过一次移除或替换一个主要模块来构建四个变体,同时保持其余组件和实验设置不变。变体定义如下:

- **w/o MW-DDM**:交通状况直接输入模型,不使用MW-DDM进行多尺度分解。
- **w/o HTE-Generator**:移除假日嵌入,同时保留一日中时间和星期几嵌入用于时间特征建模。
- **w/o GeoDMN**:移除嵌入在GeoDMGRU中的GeoDMN模块,使得循环单元退化为传统GRU。
- **w/o TAMM**:移除TAMM并直接基于编码器输出进行预测。

如图9和图8所示的WGM-Net模型消融实验揭示了每个模块对交通预测系统整体性能的显著贡献。完整模型在两个数据集上均取得最佳整体性能,仅在PEMSD8上的MAPE存在一个边际例外,其中w/o MW-DDM变体获得8.95,而WGM-Net为8.96。移除MW-DDM增加了剩余预测误差,特别是在PEMSD4上,表明多尺度分解对于准确处理交通数据的多样化时间模式至关重要。MW-DDM使模型能够有效分离稳定趋势和瞬时波动,从而捕获对准确预测至关重要的复杂多尺度信息。

**表9** WGM-Net主要组件的消融结果。

| 方法 | PEMSD4 MAE↓ | PEMSD4 RMSE↓ | PEMSD4 MAPE↓ | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|------|-----------|-----------|-----------|-----------|-----------|-----------|
| WGM-Net(本文) | 18.13 | 29.91 | 11.79 | 13.46 | 23.16 | 8.96 |
| w/o MW-DDM | 18.61 | 30.72 | 12.34 | 13.48 | 23.34 | 8.95 |
| w/o HTE-Generator | 18.33 | 30.32 | 12.04 | 13.56 | 23.61 | 9.18 |
| w/o GeoDMN | 18.42 | 30.38 | 12.05 | 14.05 | 23.82 | 9.41 |
| w/o TAMM | 18.27 | 30.15 | 11.93 | 14.12 | 24.13 | 9.45 |

图8. 所提出模型的消融研究。

此外,消除HTE生成器也会导致预测性能下降。这主要是由于模型无法再显式捕获偏离常规每日和每周交通周期的假日引发的时间变化。没有专门的假日状态建模,模型忽略了异常交通行为,如削弱的通勤峰值和旅游导向的流量激增。移除GeoDMN增加了两个数据集上的预测误差,表明地理动态记忆机制对预测性能有贡献。最后,TAMM在缓解历史数据和预测目标之间非平稳性和分布偏移带来的挑战方面发挥了关键作用。移除TAMM也增加了两个数据集上的预测误差,在PEMSD8上的退化更为明显。这些结果支持了目标条件时间对齐和基于Mamba的序列细化对多步预测的贡献。总体而言,消融研究证实了MW-DDM、HTE生成器、GeoDMN和TAMM之间的协同作用对于准确建模交通流的复杂多维特性至关重要,每个组件都为模型的鲁棒性和精度做出了独特的贡献。

**GeoDMN内部机制**

为进一步检验GeoDMN内关键机制的贡献,我们在PEMSD8上进行了额外消融,同时保持模型其他所有组件不变。

对应的变体定义如下:
- w/o DM:移除动态记忆机制,并禁用基于记忆的交通模式检索。
- w/o RNE:移除随机初始化的可学习节点嵌入,仅使用基于POI的节点表示。
- w/o POI:移除基于POI的节点嵌入,仅使用随机初始化的可学习节点嵌入。

如表10所示,移除三种机制中的任意一种都会导致预测误差增加。w/o DM的绩效下降证实了基于记忆的动态交通模式检索对预测的贡献。移除RNE同样降低了准确率,表明可学习的节点特定表示提供了与地理先验互补的有用信息。在这些变体中,移除基于POI的表示导致的整体下降最大,证明了区域功能信息对于区分不同传感器位置的非同质交通模式的重要性。结合表9中的w/o GeoDMN结果,这些结果进一步验证了GeoDMN的整体有效性及其关键内部机制的贡献。

表10. GeoDMN内部机制的消融实验结果。

| 方法 | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|---|---|---|---|
| WGM-Net(本文) | 13.46 | 23.16 | 8.96 |
| w/o DM | 13.64 | 23.47 | 9.03 |
| w/o RNE | 13.63 | 23.34 | 9.18 |
| w/o POI | 13.76 | 23.59 | 9.32 |

TAMM内部机制

为进一步隔离TAMM中关键机制的贡献,我们在PEMSD8上单独评估迁移注意力和Mamba,同时保持模型其他所有组件不变。对应的变体定义如下:
- TA-only:移除Mamba,仅保留迁移注意力用于历史–目标时间对齐。
- Mamba-only:移除迁移注意力,仅保留Mamba用于预测序列的细化。

如表11所示,移除迁移注意力或Mamba均导致一致的绩效下降,相比于完整的TAMM而言。Mamba-only变体失去了迁移注意力提供的历史–目标时间对齐,而TA-only变体缺少了预测序列之间依赖关系的后续细化。在这两种情况下,预测误差均有所增加,表明每个组件都对TAMM做出了必要贡献。

表11. TAMM内部机制的消融实验结果。

| 方法 | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|---|---|---|---|
| WGM-Net(本文) | 13.46 | 23.16 | 8.96 |
| Mamba-only | 13.72 | 23.71 | 9.10 |
| TA-only | 13.60 | 23.36 | 9.13 |

5.5.2. POI扰动分析

为进一步检验POI信息的贡献,我们比较了四种设置:含POI、无POI、节点打乱POI和类别打乱POI。无POI设置完全移除了POI信息,作为消融参考。节点打乱POI在传感器之间随机置换完整的POI特征向量,从而破坏了传感器及其周围功能信息之间的空间对应关系,同时保留了每个POI向量内部的类别组成。类别打乱POI在每个传感器内部随机置换POI类别,同时保留传感器级别的POI分配和POI总数,从而破坏了类别特定的功能语义。含POI设置使用未扰动的正确匹配POI特征。

如表12所示,含POI设置在PEMSD4和PEMSD8上的所有指标均取得了最佳性能。移除POI信息一致地增加了预测误差,证实了基于POI的地理信息的贡献。节点打乱POI和类别打乱POI与原始POI设置相比也都降低了预测性能。这表明有效的地理表示不仅依赖于传感器与周围POI之间的正确空间对应关系,还依赖于不同POI类别所编码的功能语义。总体而言,这些结果进一步证明了将真实的POI信息纳入模型的有效性。

表12. POI扰动分析的结果。

| 方法 | PEMSD4 MAE↓ | PEMSD4 RMSE↓ | PEMSD4 MAPE↓ | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|---|---|---|---|---|---|---|
| 含POI | 18.13 | 29.91 | 11.79 | 13.46 | 23.16 | 8.96 |
| 无POI | 18.42 | 30.44 | 12.22 | 13.76 | 23.59 | 9.32 |
| 节点打乱POI | 18.38 | 30.32 | 12.04 | 13.58 | 23.34 | 9.09 |
| 类别打乱POI | 18.43 | 30.51 | 12.02 | 13.54 | 23.36 | 9.15 |

5.5.3. 功能区域间的门控解释

为了探究门控融合机制如何平衡可学习的节点特定表示与基于POI的地理语义,我们通过沿嵌入维度对向量值λ求平均来计算节点级门控值,并根据主导POI类别对传感器进行分组。如图9所示,学习到的门控值在六个功能区域中主要分布在0.52至0.55之间。由于λ表示可学习节点嵌入的贡献,而1?λ表示基于POI的嵌入的贡献,结果表明模型为节点特定的结构信息分配了略高的权重,同时保留了相当大的地理先验贡献。此外,门控值的分布在不同功能区域之间显示出适度差异:交通和休闲区域的中介值略高,而住宅区域的中介值略低。这些描述性差异表明,节点特定表示与基于POI表示之间的学习平衡可能因区域类别而异,尽管变化幅度有限。

下载:下载高分辨率图像(181KB)
下载:下载全尺寸图像
图9. 基于POI的区域功能类别的门控值分布。

5.5.4. POI半径敏感性分析

为评估POI搜索半径的影响,我们在PEMSD8上进行了敏感性分析,R∈{250, 500, 750, 1000},同时保持其他所有实验设置不变。除了MAE、RMSE和MAPE之外,还报告了每个传感器匹配到的POI平均数量以及未匹配到POI的传感器比例,以表征POI覆盖率。

如表13所示,增大搜索半径可提高POI覆盖率,这体现在更高的匹配POI平均数量和更低的零POI传感器比例上。然而,预测性能并不随半径单调提升。500 m设置在MAE、RMSE和MAPE上均取得了最低值。较小的半径提供的功能信息有限,而较大的半径包含了更广泛的周边环境,可能会削弱传感器特定POI表示的局部性。因此,主实验采用R = 500 m。

表13. POI搜索半径敏感性分析的结果。

| R(m) | 平均POI数/传感器 | 零POI传感器(%) | MAE↓ | RMSE↓ | MAPE↓ |
|---|---|---|---|---|---|
| 250 | 0.93 | 67.06 | 13.74 | 23.43 | 9.33 |
| 500 | 3.38 | 37.06 | 13.46 | 23.16 | 8.96 |
| 750 | 6.40 | 21.18 | 13.70 | 23.30 | 9.13 |
| 1000 | 10.26 | 10.00 | 13.77 | 23.55 | 9.07 |

5.5.5. POI-交通模式相关性分析

为进一步探究不同POI类别是否提供了有意义的交通语义,我们使用皮尔逊相关系数分析了它们与WGM-Net中动态记忆网络学到的交通模式M之间的关联。如图10所示,所有六个POI类别均与至少一个学到的交通模式表现出可观察到的关联。例如,教育与M4正相关(r = 0.37),但与M1负相关(r = ?0.33);而交通与M6呈明显正相关(r = 0.46),与M2负相关(r = ?0.34)。相反,休闲与M1正相关(r = 0.37),但与M6负相关(r = ?0.23)。此外,并非所有学到的模式都显示出明显的与POI相关的关联;例如,M8在所有类别中均表现出相对较弱的相关性,表明某些记忆模式捕捉到了各功能区域共有的通用交通动态。总体而言,这些结果表明每个POI类别都与某些学到的交通模式相关联,提供了进一步的证据,证明POI类别提供了超越空间对应的有意义交通语义。

下载:下载高分辨率图像(353KB)
下载:下载全尺寸图像
图10. POI类别与学到的交通模式之间的相关性。

5.6. 小波基分析

为进一步检验MW-DDM中小波基选择的影响,我们在PEMSD4和PEMSD8数据集上比较了不同的单小波和双小波设置。在此实验中,模型的其他所有组件、训练设置和融合操作均保持不变,以隔离小波基选择的效果。结果如表14所示。

表14. 不同小波基设置的结果。

| 小波设置 | 小波基 | PEMSD4 MAE↓ | PEMSD4 RMSE↓ | PEMSD4 MAPE↓ | PEMSD8 MAE↓ | PEMSD8 RMSE↓ | PEMSD8 MAPE↓ |
|---|---|---|---|---|---|---|---|
| 单小波 | Haar | 18.25 | 30.05 | 11.90 | 13.58 | 23.59 | 9.02 |
| | bior3.5 | 18.38 | 30.12 | 12.05 | 13.71 | 23.62 | 9.31 |
| | db4 | 18.34 | 30.18 | 12.00 | 13.68 | 23.75 | 9.25 |
| | sym4 | 18.41 | 30.20 | 11.96 | 13.79 | 23.88 | 9.13 |
| | coif1 | 18.39 | 30.16 | 11.98 | 13.77 | 23.68 | 9.11 |
| 双小波 | Haar+db4 | 18.20 | 30.02 | 11.85 | 13.55 | 23.49 | 9.18 |
| | coif1+sym4 | 18.28 | 30.08 | 11.93 | 13.65 | 23.63 | 9.28 |
| | dmey+coif1 | 18.30 | 30.14 | 11.88 | 13.67 | 23.78 | 9.19 |
| | db2+bior3.5 | 18.22 | 30.16 | 11.86 | 13.59 | 23.89 | 9.15 |
| | Haar+bior3.5 | 18.13 | 29.91 | 11.79 | 13.46 | 23.16 | 8.96 |

可以观察到,单小波设置由于每个基都会对交通信号施加特定的时频局部化模式,因而表现出相对有限的性能。Haar对突变敏感,但可能不太擅长描述平滑趋势演变,而较平滑的基如bior3.5、db4、sym4和coif1倾向于保留趋势信息,但可能会削弱短期局部波动。双小波设置缓解了这种局限性。然而,简单组合两个小波基并不总能带来最佳性能。具有相似平滑特性或局部灵敏度不足的组合可能会引入冗余信息或无法捕捉突变。在所有测试设置中,Haar + bior3.5在MAE、RMSE和MAPE上均取得了最佳表现,表明它在局部波动检测和平滑趋势重建之间提供了更好的平衡。尽管Haar + db4也得益于突变检测与相对平滑表示之间的互补性,但db4是一种正交紧支小波,在快速过渡处会引入更多振荡性重建。相比之下,bior3.5是双正交且对称的,有助于产生更平滑、更稳定的趋势重建。

这些结果支持了MW-DDM的设计,即使用多个固定小波基构建互补的小波域表示。结合后续模块中的可学习投影和加权融合,该设计使模型能够灵活地利用不同的趋势和细节成分进行交通预测。

5.7. 超参数分析

在本节中,我们在PEMSD8的验证集上分析了几个超参数对模型性能的影响,包括记忆大小M、时间嵌入维度dt和节点嵌入维度dn。这些超参数影响WGM-Net对交通模式、时间信息和节点特定特征的表示能力。使用验证集上的MAE和RMSE来评估不同超参数设置下的预测性能。在每个实验中,仅改变待研究的超参数,其他所有设置保持不变。然后利用验证结果来确定最终模型采用的相应设置。结果如图11所示。

下载:下载高分辨率图像(629KB)
下载:下载全尺寸图像
图11. PEMSD8上的超参数敏感性分析。

参数M设置为{5, 10, 15, 20, 25}以评估其对模型性能的敏感性。图11(a)和(b)展示了超参数M对PEMSD8数据集上预测误差的影响。MAE和RMSE随M从5增加到10而下降,但当M > 10时显著上升。较小的M会削弱时空建模能力,而过大的M则会引入冗余噪声。基于验证性能,选择M = 10作为最优配置。

为检验时间嵌入维度dt的影响,使用dt∈{8, 12, 16, 24, 32}进行了实验。不同dt值下模型的性能如图11(c)和(d)所示。可以观察到,随着dt从8增加到24,模型性能稳步提升,在dt = 24时取得最低的验证MAE和RMSE。当dt进一步增加到32时,MAE和RMSE均出现轻微上升,但模型仍然保持了竞争性和稳定的性能。总体而言,模型在考察的范围内表现出稳健的性能。

节点嵌入维度dn的影响通过设置dn∈{8, 12, 16, 20, 24}进行了研究。如图11(e)和(f)所示,预测误差随dn从8增加到20稳步改善,在dn = 20时达到最佳性能。当dn进一步增大到24时,验证MAE和RMSE均出现轻微上升,表明过大的嵌入维度不再带来进一步收益,并可能略微过拟合训练数据。因此,dn = 20在容量和泛化之间提供了最佳平衡,故被选为节点嵌入维度。

5.8. 计算成本分析

本分析评估了WGM-Net的预测增益是否以可接受的计算成本实现。我们在相同的实验设置下比较了参数量、FLOPs、每轮训练时间、达到最佳性能的时间、推理时间和GPU成本。

如表15所示,WGM-Net尽管具有更丰富的建模结构,仍保持了良好的实际效率。它每轮训练仅需19.86 s,在24.16 min内达到最佳验证性能,这是对比模型中达到最佳性能所需的最短时间。其GPU内存消耗为3.47 GB,低于MDGCRN和DMFGCRN,推理时间也显著低于DMFGCRN。这些结果表明,WGM-Net实现了高效优化和适度的实际资源消耗。

表15. 不同模型的计算成本比较。

| 模型 | 参数量 | 训练时间(s/epoch) | 达到最佳训练时间(min) | 推理时间(s) | FLOPs(G) | GPU成本(GB) |
|---|---|---|---|---|---|---|
| PM-DMNet | 1476,733 | 16.23 | 31.92 | 1.04 | 2.524 | 1.58 |
| MDGCRN | 586,401 | 28.70 | 30.80 | 2.15 | 3.736 | 4.94 |
| DMFGCRN | 1389,013 | 85.67 | 97.09 | 8.67 | 7.704 | 8.27 |
| WGM-Net(本文) | 3097,299 | 19.86 | 24.16 | 4.13 | 9.041 | 3.47 |

WGM-Net的参数量和FLOPs相对较高,这是因为并行多小波分支以及额外的动态记忆、时间对齐和序列细化操作。然而,理论计算量的增加并未导致实际训练时间或GPU消耗的等比例增加。结合其改进的预测准确率和快速收敛特性,WGM-Net提供了合理的精度-效率权衡,特别适用于在可用中等计算资源的情况下优先追求预测质量的应用场景。

5.9. 案例研究

5.9.1. 小波重建可视化

为定性检验多小波分解策略的重建能力,图12比较了原始交通流量与两条重建序列。单小波重建使用bior3.5小波获得,而多小波重建结合了bior3.5和Haar小波。在平稳变化区间和快速变化区间中,多小波重建都更紧密地贴合原始交通流量。特别是,它在更好地保留整体交通趋势的同时,捕捉到了突发的上升、下降和局部波动。这一改进得益于bior3.5和Haar互补的时频特性:bior3.5提供了底层趋势的平滑表示,而Haar对突发的局部变化更为敏感。

因此,两者的结合使得重建过程能够同时保留低频演变和高频变化,为后续时空建模提供更保真的多尺度表示。下载:下载高分辨率图像(185KB)下载:下载完整尺寸图像图12. 小波重建精度可视化。5.9.2. 功能感知与日历感知预测为补充前文的消融分析,我们进一步探究GeoDMN是否能在不同功能背景下捕捉区域依赖的流量动态。具体而言,我们从PEMSD8数据集中选取了两个具有代表性的传感器进行可视化:位于学校区域的节点19和位于居住区的节点145。如图13所示,这两个节点表现出截然不同的流量演变模式。对于节点19,流量在清晨快速上升,并在高峰时段附近呈现强烈的局部波动,反映出与学校相关活动有关的集中且不规则的出行需求。相比之下,节点145则表现出更平滑的居住区模式,其特征是清晨逐步上升、白天较长的流量高峰区间以及晚间之后的持续下降。下载:下载高分辨率图像(305KB)下载:下载完整尺寸图像图13. PEMSD8数据集上节点19和节点145的可视化。尽管存在这些异质性的功能区域依赖模式,WGM-Net仍然紧密贴合两个节点的真实流量曲线。它捕捉到了学校区域节点流量的突变和短期波动,同时保持了居住区节点平滑的趋势演变和高峰持续时间。这表明GeoDMN能够有效利用POI感知的地理表示和动态记忆门控来区分区域特定的流量语义,使模型能够适应不同的功能背景,而不是依赖同质的节点表示。因此,该可视化结果为GeoDMN在建模地理异质性流量动态方面的有效性提供了定性证据。在刻画区域依赖的预测行为后,我们将分析扩展到一个对节假日敏感的交通运输节点,重点关注WGM-Net能否区分常规周末流量与节假日特有的流量模式。具体而言,我们选取位于车站区域的节点210,比较其在常规周末与节假日的流量演变。如图14所示,同一节点在两种日历背景下表现出不同的时间模式。在常规周末,流量在清晨之后上升,白天保持在相对稳定较高的流量范围内。相比之下,节假日曲线则呈现更平缓的上升、偏移的高流量区间以及不同的晚间消散模式,反映出节假日出行需求对交通枢纽设施的影响。预测曲线在常规周末和节假日两种条件下均基本遵循真实趋势。这表明HTE-Generator能够提供节假日感知的时序语义,帮助模型区分普通周末模式与节假日特有的流量演变。同时,GeoDMN融合了车站相关的地理先验信息,使模型能够考虑交通节点的功能敏感性。通过联合建模由日历引起的时间变异和由功能决定的空间异质性,这两个模块共同捕捉流量的时空耦合特征,提升了节假日敏感场景下的预测可靠性。下载:下载高分辨率图像(302KB)下载:下载完整尺寸图像图14. PEMSD4数据集中节点210在不同日类型下的可视化。5.9.3. 历史—目标分布偏移缓解为定量评估TAMM缓解历史与目标分布偏移的能力,我们定义了每个测试样本中每个传感器的偏移程度,即历史与未来12步窗口平均流量之间的绝对差值。数值越大表示偏移越强。未来真实值仅用于事后的偏移量化,并不提供给预测模型。如图15(a)所示,WGM-Net和PM-DMNet的MAE均随偏移程度增加而上升,而WGM-Net始终维持较低误差,并在较大偏移下显示出更明显的优势,表明其对显著的历史—目标变化具有更强的鲁棒性。图15(b)进一步报告了与TAMM相关的变体与WGM-Net之间的MAE差异。去除TAMM的误差退化程度随偏移程度增加而上升,在最大偏移区间达到1.19。Mamba-only和TA-only也表现出更高的误差,分别达到0.47和0.22。这些结果表明,迁移注意力与基于Mamba的序列精炼共同缓解了历史—目标分布偏移。下载:下载高分辨率图像(284KB)下载:下载完整尺寸图像图15. 不同历史—目标偏移程度下的性能评估。为直观展示这种偏移缓解能力,图16给出了节点126的一个代表性历史—目标偏移案例。历史窗口保持在相对稳定较高的流量水平,而目标窗口则经历快速下降。WGM-Net在转折点及其后的下降阶段比去除TAMM的模型更贴近真实变化。这一对比为TAMM在缓解历史—目标分布偏移方面的有效性提供了证据。下载:下载高分分辨率图像(260KB)下载:下载完整尺寸图像图16. PEMSD8数据集上节点126的可视化。5.9.4. 误差分布分析为提供更全面的性能视角,我们从整体误差分布的角度进一步将WGM-Net与两个代表性基线模型DMFGCRN和PM-DMNet进行比较。如图17所示,WGM-Net在低误差区域的误差分布比两个竞争对手更为集中,而DMFGCRN则表现出更宽的离散度。与PM-DMNet相比,WGM-Net的中位数绝对误差更低,而相较于DMFGCRN的优势则更为明显。这些结果表明,WGM-Net比代表性竞争模型具有更稳定且更准确的预测能力。下载:下载高分辨率图像(136KB)下载:下载完整尺寸图像图17. 不同模型的绝对误差分布。5.9.5. 泰勒图分析为补充标量误差指标,我们使用泰勒图从相关性、标准差和中心化RMSE三个维度联合评估各模型对观测流量波动的复现能力。图18展示了PEMSD8上WGM-Net与三个基线模型的泰勒图。所有模型与观测值均表现出较高的相关性且标准差相近,表明它们总体能够复现流量的整体波动。在放大图中可以更清楚地看到,WGM-Net靠近观测参考点,具有相对更高的相关性、更接近观测值的标准差以及更低的中心化RMSE。这些结果提供了补充证据,表明WGM-Net在复现观测时序模式方面实现了更为均衡的一致性。下载:下载高分辨率图像(174KB)下载:下载完整尺寸图像图18. PEMSD8上代表性模型的泰勒图(含放大视图)。6. 结论本文提出了用于流量预测的WGM-Net。从流量动态的角度看,流量演变涉及多尺度时间变化、区域依赖的出行模式以及从历史状态到未来条件的转变。WGM-Net通过多尺度表示、地理条件模式检索和面向目标的序列精炼这一渐进过程来建模这些特征。具体而言,MW-DDM利用互补的小波域表示将平滑的流量演变与短期波动分离;GeoDMGRU将时序语义和POI派生的区域功能信息融入动态记忆,以根据当前状态和区域特征检索流量模式;TAMM进一步对齐历史表示与未来时序上下文,并精炼预测步之间的依赖关系。这形成了一个从流量变化分解到区域感知模式检索再到未来状态建模的可解释建模链。在PEMSD4和PEMSD8上的实验表明其具有具有竞争力的预测性能。消融实验、POI扰动、小波基函数和统计分析进一步验证了所提出的组件和机制。未来的工作将探索更灵活的外部因素整合、自适应小波选择以及更广泛的时空应用场景。Y. Cai, L. Lin, S. Ma, Y. Zhang, M. Gu, Z. Jiao,北京工商大学农产品质量安全追溯国家工程研究中心,北京市海淀区阜成路11号与33号,邮编100048,中国。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号