PGSFormer: predicción del flujo de tráfico basada en la optimización conjunta de redes convolucionales de grafos progresivas con transformador de subseries

Por qué importan pronósticos de tráfico más inteligentes

Las ciudades de todo el mundo lidian con atascos que desperdician tiempo, combustible y dinero. A medida que más carreteras se equipan con sensores, ahora recogemos enormes cantidades de datos en tiempo real sobre cómo se mueven los vehículos. El reto es convertir esos datos en previsiones fiables a corto y largo plazo para ajustar semáforos, proponer rutas y reducir la congestión antes de que llegue a formarse. Este artículo presenta PGSFormer, un nuevo método de predicción que busca anticipar el tráfico con mayor precisión aprendiendo cómo interactúan en el mundo real tanto el espacio (dónde están las vías) como el tiempo (cómo cambian los patrones).

De promedios simples a patrones complejos

Las primeras herramientas de predicción del tráfico se basaban principalmente en estadísticas sencillas, como tomar el promedio histórico o usar modelos que asumen patrones regulares y repetitivos. Estos enfoques funcionan solo cuando los datos se comportan de forma estable y casi lineal, algo que rara vez ocurre en el tráfico real. La congestión puede aparecer de repente, extenderse de forma impredecible por una ciudad y verse afectada por numerosos factores como la hora del día, el día de la semana o incidentes cercanos. Posteriormente, los métodos de deep learning comenzaron a usar las redes viales como grafos, donde cada sensor es un nodo y cada enlace de carretera es una arista. Estos modelos basados en grafos mejoraron la precisión al reconocer que lo que ocurre en una vía influye fuertemente en sus vecinas. Sin embargo, la mayoría seguía tratando las conexiones viales como fijas, ignorando que las relaciones entre carreteras pueden cambiar con el tiempo.

Capturar una red vial viva y cambiante

PGSFormer se basa en la idea de que la red de tráfico de una ciudad no es estática; se comporta más como un sistema vivo cuyas conexiones internas cambian de un momento a otro. En lugar de apoyarse únicamente en la disposición física de las vías, el método construye lo que los autores llaman un grafo progresivo. En este grafo, la fuerza de la conexión entre dos sensores se determina por lo similares que son sus tendencias recientes de tráfico, no solo por lo próximos que estén en el mapa. Por ejemplo, una zona escolar y un distrito de oficinas cercano pueden comportarse de forma parecida durante la mañana, pero diferir mucho por la tarde. PGSFormer actualiza continuamente estas conexiones tanto en el entrenamiento como en la evaluación, de modo que el modelo puede reaccionar a datos recientes en lugar de quedar anclado a patrones aprendidos hace tiempo.

Mirar profundo en el tiempo sin perderse

Otro obstáculo en la predicción del tráfico es el manejo de series temporales largas. Los datos de tráfico suelen mostrar varios ciclos superpuestos: las horas punta diarias, los patrones semanales de trabajo e incluso cambios estacionales. Los métodos estándar pueden centrarse demasiado en el pasado reciente y pasar por alto tendencias más lentas, lo que perjudica las predicciones a largo plazo. PGSFormer aborda esto combinando dos ideas. Primero, emplea un tipo especial de convolución temporal que puede mirar muy atrás en el tiempo sin necesitar una red extremadamente profunda, lo que le ayuda a captar tanto oscilaciones rápidas como tendencias más amplias. Segundo, divide historias largas en subseries más cortas y las procesa con un Transformer —una arquitectura potente diseñada originalmente para lenguaje— mientras oculta una parte de estas subseries y pide al modelo que las reconstruya. Esta tarea de “subseries enmascaradas” enseña al sistema a entender el contexto más amplio en lugar de memorizar puntos de datos aislados.

Pruebas en tráfico real

Para evaluar el rendimiento de PGSFormer en la práctica, los autores lo probaron en cuatro grandes conjuntos de datos reales de California, que cubren cientos de sensores viales en Los Ángeles y el área de la Bahía de San Francisco, además de otras dos redes de autopistas. Compararon su método con una amplia gama de competidores, desde modelos clásicos como ARIMA hasta sistemas modernos de deep learning que usan redes de grafos, redes recurrentes y diseños basados en Transformer. En todos los conjuntos de datos y para distintos horizontes de predicción —15, 30 y 60 minutos— PGSFormer mostró consistentemente errores menores. Fue especialmente fuerte en horizontes largos, donde muchos modelos tienden a desviarse de la realidad. Experimentos adicionales en los que se eliminaron partes individuales del sistema mostraron que tanto el grafo progresivo como el Transformer de subseries enmascaradas son cruciales para su éxito.

Qué significa esto para los desplazamientos cotidianos

Para el público no especializado, la conclusión principal es que PGSFormer representa una forma más realista de concebir el tráfico urbano. En lugar de asumir que las vías solo influyen en sus vecinas inmediatas, o que los patrones nunca cambian, aprende constantemente qué áreas se comportan de forma similar en el momento presente y usa ese conocimiento para mirar más lejos en el futuro. En pruebas con datos reales de autopistas, este enfoque produjo pronósticos más precisos y más estables que muchos métodos existentes. Si se integrara en centros de control de tráfico, aplicaciones de navegación o herramientas de planificación del transporte público, modelos como este podrían ayudar a reducir la congestión, acortar los desplazamientos y aprovechar mejor la infraestructura vial existente sin tender una sola milla nueva de asfalto.

Cita: 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

Palabras clave: predicción del flujo de tráfico, redes neuronales de grafos, modelos transformadores, transporte inteligente, datos espaciotemporales