HyperD: Neues Framework zur Trennung von Periodizität für Verkehrsprognosen

Die präzise Vorhersage von Verkehrsströmen ist ein entscheidender Baustein moderner intelligenter Verkehrssysteme. Sie ermöglicht effektive Stau‑Kontrolle, optimierte Routenplanung und trägt zur Verbesserung der urbanen Mobilität bei. Trotz großer Fortschritte bleiben zwei zentrale Probleme bestehen: die komplexen räumlichen Abhängigkeiten zwischen Straßensegmenten und Sensoren sowie die gleichzeitige Existenz mehrschichtiger periodischer Muster (täglich, wöchentlich) und unvorhersehbarer Schwankungen durch Unfälle, Wetter oder Bauarbeiten.

Um diesen Herausforderungen zu begegnen, stellt die neue Studie das HyperD‑Framework vor – ein hybrides Periodicity Decoupling System, das Verkehrs­daten in einen periodischen und einen residualen Teil zerlegt. Der periodische Anteil wird von einem Hybrid Periodic Representation Module verarbeitet, das lernbare periodische Einbettungen nutzt und räumlich‑zeitliche Aufmerksamkeit einsetzt, um feine tägliche und wöchentliche Muster zu extrahieren.

Der residuale Anteil, der die nicht‑periodischen, hochfrequenten Schwankungen erfasst, wird durch ein Frequency‑Aware Residual Representation Module modelliert. Dieses Modul arbeitet im Frequenzbereich und verwendet komplexwertige MLPs, um die hochfrequenten Signale präzise abzubilden. Zur erzwingenden semantischen Trennung bezieht HyperD einen Dual‑View Alignment Loss ein, der niederfrequente Informationen dem periodischen Zweig und hochfrequente Informationen dem residualen Zweig zuordnet.

Umfangreiche Experimente an vier realen Verkehrsdatensätzen zeigen, dass HyperD die aktuelle Spitzenleistung in der Vorhersagegenauigkeit übertrifft. Das System liefert damit eine robuste Grundlage für die nächste Generation von Verkehrsmanagement‑ und Mobilitätsanwendungen.