Clear Sky Science
הסברים מבוססי ראיות, עם מעט ז'רגון

Clear Sky Science · he

PGSFormer: חיזוי זרימת תנועה המבוסס על אופטימיזציה משותפת של רשתות קונבולוציה גרפיות פרוגרסיביות עם טרנספורמר תת-סדרות

· חזרה לאינדקס

מדוע תחזיות תנועה חכמות חשובות

ערים בכל העולם נאבקות בפקקי תנועה שמבזבזים זמן, דלק וכסף. ככל שיותר כבישים מצויידים בחיישנים, אנו אוספים כעת כמויות גדולות של נתוני בזמן אמת על תנועת כלי הרכב. האתגר הוא להפוך נתונים אלה לתחזיות קצרות וארוכות טווח אמינות, כדי שניתן יהיה לכוונן רמזורים, להציע מסלולים ולהפחית העמוסה עוד לפני שהיא נוצרת. מאמר זה מציג את PGSFormer, שיטה חדשה לחיזוי שמטרתה לחזות תנועה בצורה מדויקת יותר על ידי למידה של האינטראקציה בין המרחב (מיקומי הכבישים) והזמן (איך הדפוסים משתנים) במציאות.

מממוצעים פשוטים לדפוסים מורכבים

כלי חיזוי התנועה הראשוניים התבססו בעיקר על סטטיסטיקה פשוטה, כגון ממוצע היסטורי או מודלים המניחים דפוסים חוזרים וסדירים. גישות אלה יעבדו רק כשהנתונים מתנהגים בצורה יציבה וכמעט ליניארית — מה שלא אופייני לתנועה אמיתית. פקקים יכולים להופיע פתאום, להתפשט בלתי צפוי בעיר ולהיות מושפעים מגורמים רבים כמו שעת היום, יום בשבוע או תאונות קרובות. מאוחר יותר, שיטות למידה עמוקה החלו להשתמש ברשתות כבישים כגרפים, כאשר כל חיישן הוא צומת וכל קישור בין כבישים הוא קשת. מודלים מבוססי גרפים אלו שיפרו את הדיוק על ידי ההכרה בכך שמתרחש בכביש אחד משפיע בחוזקה על השכנים שלו. עם זאת, רובם עדיין מתייחסים לחיבורים בין כבישים כקבועים, ומתעלמים מהעובדה שיחסי הגומלין יכולים להשתנות עם הזמן.

Figure 1
Figure 1.

לתפוס רשת כבישים חיה ומשתנה

PGSFormer מבוסס על הרעיון שרשת התנועה העירונית אינה סטטית; היא מתנהגת יותר כמו מערכת חיה שהקשרים הפנימיים שלה משתנים מרגע לרגע. במקום להסתמך רק על המפה הפיזית של הכבישים, השיטה בונה מה שלמחברים קוראים גרף פרוגרסיבי. בגרף זה, חוזק הקשר בין שני חיישנים נקבע לפי דמיון המגמות התעבורתיות האחרונות שלהם, לא רק לפי קרבתם הגיאוגרפית. למשל, אזור בית ספר ושכונת משרדים סמוכה יכולים להתנהג באופן דומה בשעות הבוקר אך בשעות הצהריים להראות דפוסים שונים לחלוטין. PGSFormer מעדכן את הקשרים הללו באופן רציף גם באימון וגם בבדיקה, כך שהמודל יכול להגיב לנתונים עדכניים במקום להיתפס לדפוסים שנלמדו בעבר הרחוק.

להסתכל לעומק בזמן מבלי לאבד כיוון

מכשול נוסף בחיזוי תנועה הוא התמודדות עם סדרות זמן ארוכות. נתוני תנועה מציגים לעתים מספר מחזורים חופפים — שעות עומס יומיומיות, דפוסי עבודה שבועיים ואפילו שינויים עונתיים. שיטות סטנדרטיות יכולות להתמקד יותר מדי בעבר הקרוב ולהחמיץ מגמות איטיות יותר, מה שמזיק לחיזויים לטווח הארוך. PGSFormer מתמודד עם זאת על ידי שילוב שתי רעיונות. ראשית, הוא משתמש בסוג מיוחד של קונבולוציה זמנית שמאפשרת לראות רחוק אחורה בזמן בלי צורך ברשת עמוקה מאוד, ובכך לתפוס גם תנודות מהירות וגם מגמות רחבות יותר. שנית, הוא חותך היסטוריות ארוכות לתת-רצפים קצרים ומגיש אותם לטרנספורמר — ארכיטקטורה עוצמתית שמקורה בעיבוד שפה — תוך כדי הסתרת חלק מהתתי-רצפים ובקשת המודל לשחזרם. משימת ה"תתי-רצפים המוסתרים" הזו מלמדת את המערכת להבין הקשר רחב יותר במקום לשנן נקודות נתונים בודדות.

Figure 2
Figure 2.

בדיקה מול נתוני תנועה אמיתיים

כדי לבחון עד כמה PGSFormer עובד בפועל, החוקרים בחנו אותו על ארבעה מאגרים גדולים מהעולם האמיתי בקליפורניה, שכללו מאות חיישני כביש בלוס אנג'לס ובאזור מפרץ סן פרנסיסקו, וכן שני רשתות מהירויות נוספות. הם השוו את שיטתם למגוון רחב של מתחרים, ממודלים קלאסיים כמו ARIMA ועד מערכות למידה עמוקה מודרניות שמשתמשות ברשתות גרפיות, רשתות חוזרות ועיצובים מבוססי טרנספורמר. בכל המאגרי נתונים ולמרחקי חיזוי שונים — 15, 30 ו-60 דקות קדימה — PGSFormer סיפק באופן עקבי שגיאות נמוכות יותר. הוא היה חזק במיוחד באופקי זמן ארוכים, שם רבות מהשיטות נוטות להתרחק מהמציאות. ניסויים נוספים שבהם הוסרו חלקים בודדים מהמערכת הראו כי גם הגרף הפרוגרסיבי וגם הטרנספורמר על תתי-הרצפים המוסתרים הם קריטיים להצלחתה.

מה זה אומר לנסיעות היומיומיות

עבור הקוראים שאינם מומחים, המסקנה המרכזית היא ש-PGSFormer מייצג דרך מציאותית יותר לחשוב על תנועת עיר. במקום להניח שכבישים משפיעים רק על שכניהם המיידיים, או שדפוסים אינם משתנים, הוא לומד כל הזמן אילו אזורים מתנהגים בצורה דומה כרגע ומשתמש בידע הזה כדי להביט רחוק יותר אל העתיד. במבחנים עם נתוני כבישים אמיתיים, הגישה הזו הניבה תחזיות מדויקות ויציבות יותר מאשר רבות מהשיטות הקיימות. אם ישולב במרכזי בקרה לתנועה, באפליקציות ניווט או בכלים לתכנון תחבורה ציבורית, מודל כזה יכול לסייע בהפחתת עומסים, בקיצור נסיעות ובהשתמשות יעילה יותר בתשתיות קיימות ללא סלילת מייל חדש אחד של אספלט.

ציטוט: 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

מילות מפתח: חיזוי זרימת תנועה, רשתות עצביות גרפיות, מודלים מסוג טרנספורמר, תחבורה חכמה, נתונים מרחב-זמניים