Föderierte räumlich‑zeitliche Verkehrsprognosen mit VMD-verbesserter Graph‑Attention und LSTM

Warum die Vorhersage von Stadtverkehr wirklich wichtig ist

Wer jemals im Stau gesteckt hat, weiß, wie unberechenbar sich städtische Mobilität anfühlen kann. Im Hintergrund sind es jedoch Planer, Verkehrsbetreiber und Navigationsdienste, die auf Computer angewiesen sind, welche vorhersagen, wie viele Fahrräder, Taxis oder Autos in den nächsten Minuten oder Stunden auf einer bestimmten Straße unterwegs sein werden. Dieses Papier untersucht einen neuen Ansatz, um diese Vorhersagen genauer zu machen und gleichzeitig sensible Fahrtdaten privat zu halten, indem geschickt Signalreinigung, Netzwerkanalyse und gemeinsames Lernen über Städte hinweg kombiniert werden.

Die Herausforderung unordentlicher und privater Verkehrsdaten

Städtische Verkehrsprofile sind extrem ungleichmäßig. Berufsverkehr am Morgen, plötzliche Gewitter, Unfälle, Straßenarbeiten und Großveranstaltungen treiben die Nachfrage auf und ab—je nach Ort und Tag sehr unterschiedlich. Traditionelle Prognosewerkzeuge gehen oft von relativ regelmäßigen Verhaltensmustern aus, was bei Verkehr eindeutig nicht der Fall ist. Gleichzeitig sammeln viele verschiedene Organisationen inzwischen detaillierte Mobilitätsdaten—von Bikesharing‑Systemen bis zu Taxiflotten—können oder wollen diese Rohdaten aber häufig nicht zusammenlegen wegen Datenschutzbestimmungen, kommerzieller Konkurrenz und Sicherheitsbedenken. Ein Prognoseverfahren, das mit dieser Unordnung umgehen kann, von vielen Partnern lernt und trotzdem Rohdaten lokal hält, ist daher hoch erwünscht.

Komplexe Signale in klarere Teile zerlegen

Die erste Komponente des vorgeschlagenen Systems ist ein Signalbereinigungsschritt namens variational mode decomposition (VMD), der sich als intelligenter Filter verstehen lässt, der eine verrauschte Verkehrskurve in mehrere einfachere Wellen sowie einen Restterm zerlegt. Eine Welle kann langsame Tageszyklen erfassen, eine andere wöchentliche Rhythmen und weitere die schnellen, zitternden Nachfragespitzen. Indem das Modell jede dieser Komponenten separat betrachtet, reduziert die Methode die Überlagerung zwischen langfristigen Trends und kurzlebigen Ausschlägen und macht Muster leichter erkennbar. Diese Zerlegung erfolgt unabhängig auf der Maschine jedes Partners, sodass die ursprünglichen Fahrtdatensätze die jeweilige Organisation nicht verlassen.

Dem Modell beibringen, Muster in Zeit und Raum zu folgen

Sobald das Verkehrssignal in saubere Komponenten aufgeteilt ist, wird es in ein Deep‑Learning‑Rückgrat eingespeist, das sowohl verfolgt, wie sich die Nachfrage zeitlich entwickelt, als auch wie sie sich räumlich über die Stadt ausbreitet. Ein LSTM‑Modul (Long Short‑Term Memory) wirkt als selektives Gedächtnis und entscheidet, welche vergangenen Bewegungen es wert sind, behalten zu werden, und welche verblassen sollten. Eine Multi‑Head‑Attention‑Schicht fokussiert das Modell auf die informativsten Zeitpunkte der jüngeren Vergangenheit, etwa scharfe Anstiege vor dem Berufsverkehr oder plötzliche Einbrüche nach einem Unwetter. Parallel dazu behandelt eine graphbasierte Komponente jede Station oder Zone als Knoten in einem Netzwerk und lernt, wie Veränderungen in einem Gebiet auf andere durchschlagen, ohne sich auf eine feste Straßenkarte zu stützen. Zusammengenommen bilden diese Bausteine eine flexible Maschine, die sich verändernde Beziehungen in Zeit und Raum erfassen kann.

Wissen über Städte hinweg teilen, ohne Fahrten weiterzugeben

Die zweite zentrale Idee besteht darin, vielen verschiedenen Dateninhabern zu erlauben, ein gemeinsames Prognosemodell zu trainieren, ohne jemals ihre Rohdaten an einen zentralen Server zu senden. Stattdessen trainiert jeder Client—etwa ein Bikesharing‑Anbieter in einem Bezirk oder eine Taxiflotte in einem anderen—das Modell lokal und sendet nur aktualisierte Modellparameter an einen zentralen Koordinator. Der Server integriert diese Updates zu einem neuen globalen Modell und sendet es zurück. Ein clientseitiger Validierungsschritt prüft dann, modulweise, ob die globalen Änderungen für die eigenen Daten des Clients tatsächlich nützlich sind. Falls nicht, behält der Client für diesen Teil des Modells seine lokale Version. Diese selektive Übernahme ermöglicht es jedem Teilnehmer, von den Erfahrungen der Gemeinschaft zu profitieren und gleichzeitig das System an seine eigenen Besonderheiten anzupassen.

Was die Experimente in der Praxis zeigen

Um die Leistungsfähigkeit dieses Ansatzes zu prüfen, testeten die Autoren ihn an zwei großen realen Datensätzen: Bikesharing‑Fahrten in New York City und Taxifahrten in Chicago, jeweils stündlich und nach Standort aggregiert. Sie verglichen ihr System mit einer großen Bandbreite vorhandener Deep‑Learning‑ und graphbasierter Modelle, sowohl in herkömmlichen zentralisierten Trainingsszenarien als auch in datenschutzschützenden föderierten Setups. Insgesamt reduzierte das VMD‑verstärkte, föderierte Modell die durchschnittlichen Vorhersagefehler deutlich—etwa um ein Viertel bis zwei Fünftel gegenüber einer starken Baseline—und konvergierte zuverlässig, selbst wenn verschiedene Clients sehr unterschiedliche Verkehrsprofile hatten. Die Ergebnisse deuten darauf hin, dass die Zerlegung der Signale in mehrere Frequenzbänder und die sorgfältige Entscheidung jedes Clients, welche geteilten Updates übernommen werden, entscheidend sind, um stabile Genauigkeit zu erreichen.

Fazit: schlauere, privatere Verkehrsprognosen

Einfach gesagt zeigt diese Arbeit, dass Verkehrsprognosen sowohl präziser als auch datenschutzfreundlicher werden können, wenn drei Ideen kombiniert werden: Nachfragekurven in einfache Wellen zerlegen, modellieren, wie sich Bewegung zeitlich durch ein Stadtnetz ausbreitet, und vielen Dateninhabern erlauben, zusammenzuarbeiten, ohne ihre Rohprotokolle preiszugeben. Der vorgeschlagene Rahmen übertrifft frühere Methoden beständig in Genauigkeit und Robustheit und deutet auf eine Zukunft hin, in der Stadtbehörden, Mobilitätsanbieter und sogar vernetzte Fahrzeuge gemeinsam leistungsfähige Vorhersagetools trainieren können, während sensible Fahrtdetails lokal bleiben.

Zitation: Mundada, T., Ramdhave, S., Jain, S. et al. Federated spatial-temporal traffic forecasting with VMD-enhanced graph attention and LSTM. Sci Rep 16, 8852 (2026). https://doi.org/10.1038/s41598-026-37917-w

Schlüsselwörter: Verkehrsprognose, föderiertes Lernen, städtische Mobilität, Graph‑Neurale Netze, Zeitreihen