HyperD: Hybrid Periodicity Decoupling Framework for Traffc Forecasting

---

论文概览

项目	内容
标题	HyperD: Hybrid Periodicity Decoupling Framework for Traffic Forecasting
作者	邵敏兰、张子健*、王毅力、戴艺伟、沈旭、王鑫*（吉林大学人工智能学院/计算机学院）
会议	AAAI 2026 (AAAI-26)
核心任务	交通流量预测（Traffic Forecasting）
代码：	https://github.com/ll121202/HyperD

---

研究背景与挑战

交通数据的两大核心挑战

1. 复杂的空间依赖：道路段与传感器之间存在动态交互，不同位置的交通状态相互影响
2. 多尺度周期性 + 不规则波动：
   • 周期性模式：人类通勤规律导致的日周期（daily）、周周期（weekly）等
   • 不规则波动：交通事故、天气突变等不可预测事件引起的残差波动

现有方法的局限

方法类型	问题
传统分解方法（趋势-季节性分解）	周期性信息被拆散到趋势和季节分量中，缺乏统一建模；分解过程不可学习，效果差
显式周期建模（如CycleNet）	只考虑单一周期的尺度，忽略了多尺度周期性；缺乏空间-时间交互建模

---

HyperD 核心架构

论文提出了 HyperD（Hybrid Periodic Decoupling） 框架，整体结构如下：

输入: 历史交通序列 X ∈ R^(T₁×N)
        ↓
┌─────────────────────────────────────────┐
│  Hybrid Periodic Representation Module  │  ← 处理周期性分量
│  (混合周期表示模块)                      │
│  • 可学习日周期嵌入 P_D                 │
│  • 可学习周周期嵌入 P_W                 │
│  • 时空注意力编码器 STAE                │
│  → 输出: 混合周期模式 S^in, S^out       │
└─────────────────────────────────────────┘
        ↓ 残差计算: R^in = X - S^in
┌─────────────────────────────────────────┐
│  Frequency-Aware Residual Representation│  ← 处理残差分量
│  Module (频率感知残差表示模块)           │
│  • 时空频率编码器 STFE                  │
│  • 复数MLP (C-MLP) 在频域建模           │
│  → 输出: 残差预测 R^out                 │
└─────────────────────────────────────────┘
        ↓
最终预测: Ŷ = S^out + R^out
        ↓
┌─────────────────────────────────────────┐
│  Dual-View Alignment Loss (双视角对齐损失)│
│  • 低频 ↔ 周期分量对齐                  │
│  • 高频 ↔ 残差分量对齐                  │
└─────────────────────────────────────────┘

---

三大核心创新点

1. 混合周期表示模块（HPRM）

关键设计：可学习周期嵌入（Learnable Embeddings）

嵌入类型	维度	说明
日周期嵌入 P_D	R^(L_D × N)	L_D = 288（5分钟采样，一天288个时间点）
周周期嵌入 P_W	R^(L_W × N)	L_W = 2016（一周2016个时间点）

• 统计先验初始化：用训练数据每个节点、每个时刻的均值初始化，加速收敛
• 时空注意力编码器（STAE）：结合GCN + 时间自注意力 + 空间自注意力， refine 嵌入
• 混合模式构建：根据时间元数据（time-of-day, day-of-week）从嵌入中索引对应片段，相加得到混合周期模式

2. 频率感知残差表示模块（FARRM）

核心思想：残差包含高频不规则波动，在频域建模更高效

时空频率编码器（STFE）流程：

R^in (时域) 
  → FFT_s (空间维度快速傅里叶变换) 
  → C-MLP (复数MLP处理频谱) 
  → IFFT_s (逆变换回时域)
  → FFT_t (时间维度变换)
  → C-MLP 
  → IFFT_t
  → 投影输出 R^out

复数MLP（C-MLP）公式：

• 分别处理实部和虚部，模拟频域卷积
• 参数量少，但能捕获全局频率特征

3. 双视角对齐损失（DVA Loss）

解决周期分量与残差分量的语义重叠问题

对最终预测 Ŷ 做 FFT → 频谱 Ŷ_f
  → 低频部分 Ŷ_f^low  ↔  应与周期分量 S^out 对齐 (MSE)
  → 高频部分 Ŷ_f^high ↔  应与残差分量 R^out 对齐 (MSE)

总损失: L = L_pred + α · L_dva

作用：强制周期分支专注低频，残差分支专注高频，实现彻底解耦

---

实验结果

主实验（4个真实数据集：PEMS03/04/07/08）

对比结论	具体表现
vs 所有基线	SOTA，4个数据集全部最优
vs 解耦方法	平均MAE降低 22.63%（CycleNet-D）、23.27%（CycleNet-W）
vs 非解耦方法	显著优于DGCRN、STGODE等

消融实验（关键发现）

移除组件	PEMS04 MAE变化	说明
w/o LWE（周嵌入）	18.20 → 19.80	周周期比日周期更重要
w/o LDE（日嵌入）	18.20 → 18.30	日周期贡献相对较小
w/o STAE	18.20 → 21.07	时空注意力对周期建模关键
w/o STFE	18.20 → 25.24	残差频域建模最关键
w/o DVA	18.20 → 18.47	对齐损失有效但影响相对温和

鲁棒性与效率

指标	表现
扰动测试（突增/中断/打乱）	性能下降最小，鲁棒性最优
显存占用	1.64 GB（对比D²STGNN的17.90GB，降低 6.27×）
训练速度	每轮7.31秒（对比STDN的59.20秒，提升 6.79×）
推理速度	1.49秒（CPU，对比STWave的7.11秒，提升 4.77×）

可视化分析

论文Figure 4显示：HyperD学到的日/周嵌入比CycleNet更"舒展"、细节更丰富，说明时空建模确实帮助捕获了更清晰的周期模式。

---

核心贡献总结

1. 显式多尺度周期建模：用可学习嵌入直接建模日/周周期，避免传统分解的信息碎片化
2. 频域残差建模：通过复数MLP在频域处理残差，高效捕获高频不规则波动
3. 频率对齐解耦：DVA损失确保周期与残差分量在频率域各司其职，互不干扰
4. 轻量高效：模型结构简洁，计算效率远超同类解耦方法

---

一句话概括

HyperD 通过"时域显式周期嵌入 + 频域残差复数网络 + 频率对齐损失"的三位一体设计，实现了交通流量预测中多尺度周期性与不规则波动的精准解耦，在精度、鲁棒性和效率上均达到SOTA。