정확한 교통 예측은 지능형 교통 시스템에서 중요한 역할을 하며, 혼잡 제어, 경로 계획 및 도시 이동성 최적화와 같은 응용 프로그램을 가능하게 합니다. 본 논문에서는 복잡한 공간적 종속성과 다중 스케일 주기적 패턴과 예측 불가능한 사건으로 인한 불규칙한 변동의 공존이라는 두 가지 주요 과제를 해결하기 위해, 교통 데이터를 주기적 및 잔차 성분으로 분리하는 새로운 프레임워크인 HyperD (Hybrid Periodic Decoupling)를 제안합니다. HyperD는 학습 가능한 주기적 임베딩 및 시공간 주의 기법을 사용하여 미세한 일일 및 주간 패턴을 추출하는 Hybrid Periodic Representation Module과 주파수 도메인에서 복소수 값 MLP를 활용하여 비주기적, 고주파 변동을 캡처하는 Frequency-Aware Residual Representation Module을 사용합니다. 두 구성 요소 간의 의미론적 분리를 위해 Dual-View Alignment Loss를 도입하여 저주파수 정보를 주기적 분기와 고주파수 정보를 잔차 분기에 정렬합니다. 4개의 실제 교통 데이터 세트에 대한 광범위한 실험을 통해 HyperD가 기존 방법보다 우수한 예측 정확도를 달성하고, 교란에 대한 우수한 견고성을 제공하며, 계산 효율성을 향상시켰습니다.
