准确的交通流量预测是智能交通系统的基础，然而现有的时空图神经网络面临三个关键限制：未能充分利用多尺度时间模式、图构建不够优化，无法捕捉异构的空间依赖性，以及在长序列建模中的计算效率低下。为了解决这些挑战，我们提出了FreqMamba，这是一个基于频率感知的多图融合框架，结合了基于Mamba的时间建模技术，以实现稳健的交通流量预测。具体来说，我们的方法引入了三项关键创新：首先，离散小波变换将交通信号明确分解为低频趋势成分和高频事件成分，从而能够分别学习持久性模式和瞬态异常；其次，我们构建了专门的事件图、趋势图和关键节点图来捕捉特定模式的空间关系，并通过基于注意力的融合机制自适应地整合不同图结构中的互补信息；第三，我们引入了一个选择性状态空间模型，以实现具有线性计算复杂度的有效长距离时间依赖性建模，克服了基于Transformer方法的二次方计算瓶颈。在四个真实世界数据集上的广泛实验表明，FreqMamba的表现始终优于20种最先进的基线方法，平均MAE提高了0.65%–5.32%，同时将训练时间减少了多达12.39%，内存消耗减少了多达17.60%。消融研究、可视化分析和案例分析进一步验证了每个架构组件的有效性，证实了FreqMamba在平衡预测准确性、计算效率和鲁棒性方面的能力，适用于各种交通场景。
