用于交通流预测的频域调制时空图卷积网络

交通流量预测需解决多尺度时空关联问题，本文提出FMTGCN框架，通过频率域调制、动态图卷积与时空协同建模，有效捕捉长期周期与动态空间关系，实验表明其相比基线方法MAE降低2.8%，训练速度提升57.17%。

刘梦超|姜冰川|刘静旭|李珂

信息工程大学，郑州，450001，中国

摘要

准确的交通流量预测在缓解拥堵和提高智能交通系统的效率方面起着关键作用。然而，由于道路网络中存在长期周期性趋势、短期波动以及高度动态的空间相关性，这一任务仍然具有挑战性。大多数现有研究严重依赖于时域建模，这限制了它们捕捉多尺度时间动态和自适应空间依赖性的能力。为了解决这些问题，我们提出了一种频域调制时空图卷积网络（FMTGCN），这是一个将频域调制与自适应时空学习相结合的协作框架。更具体地说，FMTGCN包含了一个联合时间-位置编码模块，旨在减轻时空混淆。它还配备了一个具有可学习幅度和相位调制的频域建模单元，用于捕捉长期依赖性。此外，引入了一种基于频谱的动态图卷积机制，该机制可以根据频谱特征自适应地构建空间拓扑结构。为了补充全局建模，还使用了时间卷积层来捕捉局部变化。在四个真实世界交通数据集上的广泛实验表明，FMTGCN在预测准确性和计算效率方面始终优于现有的最佳方法。值得注意的是，在PEMS08数据集上，FMTGCN将训练速度提高了57.17%；此外，它还将平均绝对误差（MAE）进一步降低了2.8%，验证了其在大规模交通预测中的有效性和可扩展性。

引言

交通流量预测旨在利用历史交通监控数据准确预测未来道路交通的运行状态（Li等人，2024b；Rahmani、Baghbani、Bouguila和Patterson，2023；Yang、Lin、Chen、Luo和Xu，2024）。作为智能交通系统（ITS）框架中的核心和基础任务，它在缓解城市道路拥堵、提高交通运行效率以及优化道路网络合理规划方面发挥着不可替代的作用。这项任务的固有复杂性主要源于道路网络中多个交通监控节点之间高度非线性、时变和动态演变的时空相关特性（Gao等人，2024；Peng、Liao、Li、Guo和Wang，2024；Chen等人，2024）。

早期的交通预测方法主要采用统计模型和传统的机器学习技术（Zheng、Chen、Jing、Hao和Songyue，2016；Johansson、Boström、Löfström和Linusson，2014）。然而，对平稳性假设的依赖以及有限的泛化能力阻碍了它们处理非线性和高维时空数据的能力。因此，深度学习的最新进展为交通预测引入了更有效的解决方案（Emmert-Streib、Yang、Feng、Tripathi和Dehmer，2020）。循环神经网络（RNNs）（Ge、Wei、Chai、Duanmu和Katos，2023）及其变体，如LSTM和GRUCui（Cui、Ke、Pu和Wang，2020；Ma、Tao、Wang、Yu和Wang，2015），利用门控机制捕捉时间依赖性，并在短期预测中取得了显著的成功。然而，这些方法在建模长序列时面临梯度消失的问题，其固有的顺序计算方式阻碍了并行化，限制了它们在大型交通网络中的可扩展性。

图卷积网络（GCNs）的出现为建模空间依赖性提供了一种有效手段（Choi、Choi、Hwang和Park，2022）。通过将道路网络抽象为图结构，GCNs可以基于邻接矩阵捕捉节点之间的拓扑相关性。然而，传统的GCNs依赖于手动定义的静态邻接矩阵，无法捕捉交通流量的时变空间依赖性。为了解决这一缺点，动态图卷积网络（DGCNs）（Wang、Guo、Wu等，2024；Fan、Sabri、Rahman、Pan和Rahardja，2025）使用数据驱动的邻接矩阵进行自适应空间关系建模，但它们在处理交通流的复杂特性方面仍然缺乏有效性。

尽管取得了这些进展，交通流量预测仍面临三个主要挑战。首先，现有方法过度依赖时域建模，导致对多尺度时间依赖性和动态空间相关性的描述不足，同时也难以处理时空混淆和效率瓶颈。其次，交通流量表现出两个明显特征：稳定的长期周期性模式（例如，早晚高峰时段）和短期波动，这些波动主要是由交通事故、恶劣天气条件或传感器故障引起的数据异常造成的（Xu、Lin、Luo和Xu，2023a；Chen、Lin、Zhao、Xu和Luo，2025）。这种多尺度时间动态对于纯时域模型来说难以同时捕捉，而频域方法在噪声抑制、跨周期特征提取和长期依赖性建模方面具有优势（Zhou等人，2022）。最后，交通网络内的空间相关性具有高度动态性，随时间发生显著变化。有效捕捉这些时变交互需要自适应机制来动态构建空间拓扑，而不是依赖于预定义或静态的邻接矩阵（Liu和Zhang，2024）。

为了解决这些挑战，我们提出了FMTGCN，这是一种新颖的频域-空间-时间多阶段协作预测框架。在数据编码层，FMTGCN采用门控机制自适应地将多尺度时间周期性与时位特征结合，减轻时空歧义。在频域处理模块中，基于复数域变换的时间建模单元将交通流量信号投影到频谱域。同时，基于欧拉公式的调制机制实现了可学习的幅度缩放和相位调整。对于空间建模，我们引入了一个感知频谱的动态图卷积单元。在该单元中，使用频谱幅度特征和高斯核函数动态生成邻接矩阵，从而促进空间拓扑和节点表示的联合学习。为了补充频域建模并捕捉局部时间动态，框架中还集成了两维CNN层。

在四个真实世界交通数据集上的广泛实验表明，FMTGCN在预测准确性和训练效率方面始终优于现有方法，验证了其有效性和可扩展性。本文的主要贡献总结如下：

• •
  联合时间-位置编码：一种动态加权策略通过门控融合网络将日常和每周周期性编码与正弦位置编码相结合。这种结合使得多尺度时间和空间特征的自适应融合成为可能，从而减轻了时空混淆。
• •
  频域特征的动态调制：使用FFT和复数卷积提取频率表示。同时，通过欧拉公式引入可学习的幅度缩放和相位调整，从而增强了模型模拟长期依赖性和相位变化的能力。
• •
  基于频谱的动态图生成：从频谱幅度特征计算节点相似性，并与高斯核结合，从而生成时变邻接矩阵。这些矩阵通过图卷积实现空间拓扑和频域特征的自适应学习。
• •
  频域-空间-时间协作框架：该框架实现了频域时间建模和空间拓扑学习的有机结合，能够全面捕捉交通流中的动态时空依赖性。

章节片段

交通流量预测

早期关于交通流量预测的研究主要依赖于统计学习方法，如历史平均值（HA）（Sun、Zhang和Yin，2014）和自回归积分移动平均（ARIMA）（Pan、Demiryurek和Shahabi，2012）。这些方法假设交通时间序列的线性和平稳性，并主要关注静态数据特征。然而，交通流量的固有复杂性和动态时空特性使得这些线性假设不充分

准备

交通图：在交通数据建模中，每个监控站观察到的流量被视为其对应道路段上的车辆流量。每个监控站的交通状态不仅取决于其自身的历史流量模式，还取决于空间相关站点的流量变化。为了捕捉这些依赖性，交通网络被表示为一个无向图$G=(V,E,A)$，其中$V=\{v_1,..,v_N\}$表示N个监控站的集合，E⊆V×V编码

方法

如图1所示，我们提出了一种基于傅里叶变换的时空图卷积网络，称为FMTGCN，它利用频域特征学习来建模和预测时空交通流量模式。整体架构包括三个主要组成部分：数据编码层、时空嵌入层和输出层。具体来说：

数据编码层：考虑到交通流量数据中明显的日常和每周周期性

数据集

如表2所示，FMTGCN在六个真实世界数据集上进行了评估。这些数据集包括来自加州高速公路的四个交通数据集（Song、Lin、Guo和Wan，2020）（PEMS03、PEMS04、PEMS07、PEMS08），来自纽约市的自行车共享需求数据集（Ye、Sun、Du、Fu和Xiong，2021）（NYCBike），以及北京基于网格的出租车进出流量数据集（Pan、Liang、Wang、Yu、Zheng和Zheng，2019）（TDrive）。

比较算法

• •
  基线算法：
  • •
    HA
    Sun等人（2014）：一种简单的交通流量预测方法

结论

所提出的FMTGCN模型结合了频域分析和时空图建模，在交通流量预测准确性和计算效率方面表现出色。特别是，增强的时间编码模块利用门控机制将多尺度周期性特征与位置信息融合，有效减轻了时空混淆。欧拉调制的频域处理与复数值卷积相结合

CRediT作者贡献声明

刘梦超：概念化、方法论、软件、验证、撰写——原始草案、可视化。姜冰川：撰写——审阅与编辑、项目管理。刘静旭：撰写——审阅与编辑、监督。李珂：撰写——审阅与编辑、监督。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。