PGSFormer: Verkehrsstromvorhersage basierend auf gemeinsamer Optimierung progressiver Graph-Convolutional-Netzwerke mit Subseries-Transformer

Warum schlauere Verkehrsprognosen wichtig sind

Städte weltweit kämpfen mit Staus, die Zeit, Treibstoff und Geld verschwenden. Mit zunehmender Ausstattung von Straßen durch Sensoren sammeln wir heute riesige Mengen an Echtzeitdaten über die Fahrzeugbewegungen. Die Herausforderung besteht darin, diese Daten in verlässliche Kurz- und Langzeitprognosen zu verwandeln, damit Ampeln angepasst, Routen vorgeschlagen und Staus reduziert werden können, bevor sie entstehen. Dieses Papier stellt PGSFormer vor, eine neue Vorhersagemethode, die darauf abzielt, den Verkehr genauer zu prognostizieren, indem sie lernt, wie Raum (wo die Straßen liegen) und Zeit (wie sich Muster ändern) in der realen Welt zusammenwirken.

Von einfachen Mittelwerten zu komplexen Mustern

Frühe Werkzeuge zur Verkehrsprognose stützten sich meist auf einfache Statistiken, etwa historische Durchschnitte oder Modelle, die regelmäßige, wiederkehrende Muster annehmen. Solche Ansätze funktionieren nur, wenn sich die Daten stabil und nahezu linear verhalten — was beim realen Verkehr selten der Fall ist. Staus können plötzlich auftreten, sich unvorhersehbar über eine Stadt ausbreiten und von vielen Faktoren abhängen, wie Tageszeit, Wochentag oder lokalen Zwischenfällen. Später begannen Deep-Learning-Methoden, Straßennetze als Graphen zu nutzen, wobei jeder Sensor ein Knoten und jede Straßenverbindung eine Kante darstellt. Diese graphbasierten Modelle verbesserten die Genauigkeit, weil sie erkennen, dass sich das Geschehen auf einer Straße stark auf benachbarte Straßen auswirkt. Dennoch behandeln die meisten Modelle die Straßenverbindungen weiterhin als fest und ignorieren, dass sich die Beziehungen zwischen Straßen mit der Zeit ändern können.

Ein lebendes, sich veränderndes Straßennetz erfassen

PGSFormer basiert auf der Idee, dass ein städtisches Verkehrsnetz nicht statisch ist; es verhält sich eher wie ein lebendes System, dessen interne Verbindungen von Moment zu Moment schwanken. Anstatt sich allein auf die physische Straßenanordnung zu stützen, baut die Methode einen sogenannten progressiven Graphen auf. In diesem Graphen richtet sich die Stärke der Verbindung zwischen zwei Sensoren danach, wie ähnlich ihre jüngsten Verkehrsverläufe sind, und nicht nur danach, wie nahe sie auf der Karte beieinanderliegen. Beispielsweise können eine Schulzone und ein nahegelegenes Bürodistrikt sich während des morgendlichen Berufsverkehrs ähnlich verhalten, sich nachmittags aber deutlich unterscheiden. PGSFormer aktualisiert diese Verbindungen kontinuierlich während Training und Test, sodass das Modell auf frische Daten reagieren kann, statt an einst gelernten Mustern festzuhalten.

Tief in die Zeit hineinblicken, ohne sich zu verlieren

Eine weitere Herausforderung in der Verkehrsprognose ist der Umgang mit langen Zeitreihen. Verkehrsdaten zeigen oft mehrere überlappende Zyklen — tägliche Stoßzeiten, wöchentliche Arbeitsmuster und sogar saisonale Schwankungen. Standardmethoden konzentrieren sich möglicherweise zu stark auf die jüngere Vergangenheit und übersehen langsamere Trends, was sich negativ auf Langzeitvorhersagen auswirkt. PGSFormer begegnet dem mit einer Kombination aus zwei Ideen. Erstens nutzt es eine spezielle Form der zeitlichen Faltung (temporal convolution), die weit in die Vergangenheit blicken kann, ohne ein extrem tiefes Netzwerk zu benötigen, und so sowohl schnelle Schwankungen als auch breitere Trends erfasst. Zweitens teilt es lange Historien in kürzere Untersequenzen auf und führt diese in einen Transformer — eine ursprünglich für Sprache entwickelte, leistungsfähige Architektur — ein, wobei ein Teil dieser Untersequenzen verdeckt wird und das Modell aufgefordert wird, sie zu rekonstruieren. Diese Aufgabe des „maskierten Subseries“-Trainings lehrt das System, den größeren Kontext zu verstehen statt einzelne Datenpunkte auswendig zu lernen.

Test unter realen Verkehrsbedingungen

Um die Leistungsfähigkeit von PGSFormer praktisch zu prüfen, testeten die Autoren das Modell auf vier großen, realen Datensätzen aus Kalifornien, die Hunderte von Straßensensoren in Los Angeles und der San Francisco Bay Area sowie zwei weitere Autobahnnetze abdecken. Sie verglichen ihre Methode mit einer breiten Palette an Konkurrenzmodellen, von klassischen Ansätzen wie ARIMA bis hin zu modernen Deep-Learning-Systemen, die Graphnetze, rekurrente Netze und Transformer-basierte Designs nutzen. Über alle Datensätze und für verschiedene Vorhersagehorizonte — 15, 30 und 60 Minuten — erzielte PGSFormer durchgehend geringere Fehler. Besonders bei längeren Horizonten war es stark, wo viele Modelle dazu neigen, von der Realität abzuweichen. Zusätzliche Experimente, in denen einzelne Komponenten entfernt wurden, zeigten, dass sowohl der progressive Graph als auch der maskierte Subsequence-Transformer entscheidend für den Erfolg sind.

Was das für den Alltag bedeutet

Für Nicht-Spezialisten ist die Kernbotschaft, dass PGSFormer eine realistischere Denkweise für städtischen Verkehr repräsentiert. Anstatt zu unterstellen, dass Straßen nur ihre unmittelbaren Nachbarn beeinflussen oder dass Muster nie wechseln, lernt das Modell fortlaufend, welche Gebiete gerade ähnlich reagieren, und nutzt dieses Wissen, um weiter in die Zukunft zu blicken. Bei Tests mit realen Autobahndaten lieferte dieser Ansatz genauere und stabilere Prognosen als viele bestehende Methoden. Wenn solche Modelle in Verkehrsleitstellen, Navigations-Apps oder in die Planung des öffentlichen Nahverkehrs integriert würden, könnten sie dazu beitragen, Staus zu verringern, Pendelzeiten zu verkürzen und die vorhandene Infrastruktur besser zu nutzen — ohne auch nur einen Meter Asphalt neu zu verlegen.

Zitation: Chen, L. PGSFormer: traffic flow prediction based on joint optimization of progressive graph convolutional networks with subseries transformer. Sci Rep 16, 7200 (2026). https://doi.org/10.1038/s41598-026-35643-x

Schlüsselwörter: Verkehrsflussvorhersage, Graph-Neuronale-Netzwerke, Transformer-Modelle, intelligenter Verkehr, raumzeitliche Daten