Traffic flow prediction using multiscale diffusion model guided by wavelet transform

doi:10.1007/s10489-026-07408-6

Traffic flow prediction using multiscale diffusion model guided by wavelet transform

2026-09-02

0

PRE

AI

DOI：10.1007/s10489-026-07408-6

原文链接

原文求助

摘要

En 中文

精确的交通流量预测对智能交通系统的发展至关重要，能够实现主动交通管理、缓解拥堵和高效资源分配。传统预测模型往往难以准确捕捉交通数据中存在的复杂非线性动态和多尺度时间相关性。基于小波变换的多尺度时空扩散模型（MTSDM/WT）被提出以克服这些限制。MTSDM/WT架构首先通过小波分解将交通时间序列分解为高频成分（捕捉短期波动，如突发拥堵）和低频成分（反映长期趋势，如高峰时段模式）。具体而言，高频精化模块（HFRM）利用多尺度卷积和注意力机制，精确建模高频域中的局部时间变化，增强对瞬时动态的捕捉。同时，低频成分经历前向扩散过程逐步添加噪声，随后通过反向去噪扩散过程学习并重建其时间分布，实现对长期趋势的准确建模。最后，通过逆小波变换融合精化的高频成分和重建的低频成分，生成全面且稳健的交通流量预测。在中国山东省临沂市关键城市交叉口的真实交通流量数据集上进行了广泛实验。MTSDM/WT框架在关键评估指标—平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）和连续排名概率得分（CRPS）—上表现出显著改进，例如在MJ数据集10分钟预测时间范围内的性能提升达3%。这些发现证实，MTSDM/WT在预测精度和鲁棒性方面具有优越性，特别是在交通模式波动和噪声干扰明显的场景中，对推动扩散模型在时空序列分析中的应用具有理论意义，并对智能交通系统优化具有实践价值。

Keyword:

Traffic forecasting

Diffusion model

Wavelet transform

Time series analysis

Traffic flow prediction using multiscale diffusion model guided by wavelet transform

摘要

期刊

机构