חיזוי תעבורה מרחבי-זמני מבוזר עם תשומת-לב גרפית משופרת ב-VMD ו-LSTM

מדוע חיזוי תנועה עירונית חשוב כל כך

מנוסה בפקק תנועה יודע כמה תנועה עירונית יכולה להרגיש בלתי צפויה. מאחורי הקלעים, עם זאת, מתכננים, מפעילי תחבורה ואפליקציות ניווט מסתמכים על מחשבים שמנסים לחזות כמה אופניים, מוניות או מכוניות יהיו בכל רחוב בדקות או בשעות הקרובות. מאמר זה בוחן שיטה חדשה לשיפור הדיוק של תחזיות אלה תוך שמירה על פרטיות נתוני הנסיעות הרגישים, באמצעות שילוב של ניקוי אותות חכם, מודלים גרפיים ולמידה משותפת בין ערים.

האתגר של נתוני תנועה מבולגנים ופרטיים

דפוסי התנועה בעיר אינם אחידים כלל. שעת שיא בבוקר, סופות פתאומיות, תאונות, עבודות בכביש ואירועים גדולים מגדילים ומורידים את הביקושים בדרכים שמשתנות ממקום למקום ומיום ליום. כלי חיזוי מסורתיים מניחים שההתנהגות יחסית סדירה לאורך הזמן — הנחה שאינה מתאימה לתנועה. במקביל, ארגונים רבים אוספים כעת נתוני ניידות מפורטים — ממערכות השכרת אופניים ועד צי מוניות — אך לעתים אינם יכולים או מוכנים לשתף נתונים גלומים בגלל כללי פרטיות, תחרות מסחרית ודאגות אבטחה. לכן שיטה שיכולה להתמודד עם הבלאגן הזה, ללמוד ממגוון שותפים ולשמור על הנתונים המקומיים היא מבוקשת מאוד.

פירוק אותות מורכבים לחלקים ברורים יותר

המרכיב הראשון במערכת המוצעת הוא שלב ניקוי אות הנקרא פירוק מצבי-ווריאציה (variational mode decomposition, VMD), שניתן לתארו כמסנן חכם שמפרק עקומת תנועה רועשת למספר גלים פשוטים ועוד שארית. גל אחד עשוי ללכוד מחזורים יומיים איטיים, אחר — קצבים שבועיים, ואחרים — פרצי ביקוש מהירים וקצוצים. על ידי כך שהמודל מסתכל על כל אחד מהמרכיבים האלה בנפרד, השיטה מפחיתה הפרעות בין מגמות ארוכות טווח לבין קפיצות קצרות-טווח, מה שמקל על זיהוי הדפוסים. פירוק זה מתבצע באופן עצמאי בכל מכונה של השותף, כך שרשומות הנסיעות המקוריות אף פעם לא עוזבות את הארגון המקומי.

ללמד את המודל לעקוב אחרי דפוסים בזמן ובמרחב

לאחר שהאות התעבורתי הופרק לחלקים נקיים יותר, הוא מוזן לגרעין למידה עמוקה שמיועד לעקוב גם אחרי התפתחות הביקוש בזמן וגם אחרי הפצתו במפה העירונית. מודול LSTM משמעתי פועל כסוג של זיכרון סלקטיבי, שמחליט אילו תנועות מהעבר ראויות לזכרון ואילו צריכות להחלש. שכבת תשומת-לב מרובת-ראשיים ממקדת את המודל ברגעים המידעיים ביותר מהעבר הקרוב, כמו עליות חדות לפני שעת שיא או ירידות פתאומיות לאחר סופה. במקביל, רכיב מבוסס גרף מתייחס לכל תחנה או אזור כנקודה ברשת ולומד כיצד שינויים באזור אחד מתפשטים לאחרים, מבלי להסתמך על מפת כבישים קבועה. יחד, הרכיבים האלה יוצרים מנוע גמיש שיכול לתפוס יחסים משתנים הן בזמן והן במרחב.

שיתוף ידע בין ערים בלי שיתוף נסיעות גלומות

הרעיון המרכזי השני הוא לאפשר לבעלי נתונים שונים לאמן מודל חיזוי משותף מבלי לשלוח את הרשומות הגולמיות לשרת מרכזי. במקום זאת, כל לקוח — למשל מערכת השכרת אופניים באזור אחד או צי מוניות באזור אחר — מאמן את המודל באופן מקומי ושולח רק את עדכוני הפרמטרים למסונכרן מרכזי. השרת מאחד עדכונים אלה למודל גלובלי חדש ושולח אותו חזרה. שלב אימות בצד הלקוח בודק אז, מודול-באמצעות-מודול, האם השינויים הגלובליים באמת משפרים את ביצועי הלקוח על הנתונים שלו. אם לא, הלקוח שומר על הגרסה המקומית לחלק זה של המודל. אימוץ סלקטיבי זה מאפשר לכל משתתף להרוויח מניסיון ההמונים תוך התאמה לדפוסים הייחודיים שלו.

מה הניסויים מראים בעולם האמיתי

כדי לבדוק עד כמה הגישה עובדת, המחברים בחנו אותה על שני מאגרים גדולים ומציאותיים: נסיעות השכרת אופניים בניו יורק ונסיעות מוניות בשיקגו, שניהם מצטברים לפי שעה ומיקום. הם השוו את המערכת שלהם למגוון רחב של מודלים מבוססי למידה עמוקה וגרפים, הן בהגדרה מרכזית מסורתית והן בסביבות פדרטיביות שמגנות על פרטיות. באופן עקבי, המודל המופעל ב-VMD ובהגדרה פדרטיבית צמצם את שגיאות החיזוי הממוצעות באופן משמעותי — בכ-25% עד 40% ביחס לבסיס חזק — והוביל להתכנסות יציבה גם כשהלקוחות השונים הציגו דפוסי תנועה שונים מאוד. הממצאים מרמזים כי פירוק האותות לרצועות תדר שונות ומתן יכולת לכל לקוח לבחור בקפדנות אילו עדכונים משותפים לקבל הם שני גורמים מרכזיים להשגת דיוק יציב.

מסקנה: תחזיות תעבורה חכמות יותר ופרטיות יותר

במונחים פשוטים, עבודה זו מראה שניתן לשפר את חדות תחזיות התעבורה ולהגן על הפרטיות על ידי שילוב של שלוש רעיונות: פירוק עקומות הביקוש לגלים פשוטים, מודלינג של כיצד התנועה מתפשטת ברשת העירית לאורך זמן, ומתן אפשרות לבעלי נתונים רבים לשתף פעולה בלי לחשוף יומני נסיעות גולמיים. המסגרת המוצעת עולה בקביעות על שיטות קודמות מבחינת דיוק וחוסן, ומרמזת על עתיד שבו סוכנויות עירוניות, מפעילי ניידות ואפילו כלי רכב מחוברים יכולים לאמן במשותף כלי חיזוי חזקים תוך שמירה על פרטי נסיעות רגישים קרוב לבית.

ציטוט: 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

מילות מפתח: חיזוי תעבורה, למידה פדרטיבית, ניידות עירונית, רשתות עצביות גרפיות, סדרות זמן