PGSFormer: previsione del flusso di traffico basata sull’ottimizzazione congiunta di reti convoluzionali progressive su grafo e transformer su sottoserie

Perché previsioni del traffico più intelligenti sono importanti

Le città di tutto il mondo faticano a gestire ingorghi che fanno perdere tempo, carburante e denaro. Con un numero crescente di strade dotate di sensori, raccogliamo oggi enormi quantità di dati in tempo reale sul movimento dei veicoli. La sfida è trasformare quei dati in previsioni affidabili a breve e lungo termine, in modo da regolare semafori, suggerire percorsi e ridurre la congestione prima che si formi. Questo articolo presenta PGSFormer, un nuovo metodo di previsione che punta a prevedere il traffico con maggiore accuratezza imparando come interagiscono nello spazio (dove sono le strade) e nel tempo (come cambiano i pattern) nella realtà urbana.

Dalle semplici medie ai pattern complessi

I primi strumenti di previsione del traffico si basavano soprattutto su statistiche semplici, come la media storica, o su modelli che presupponevano schemi regolari e ripetitivi. Questi approcci funzionano solo quando i dati si comportano in modo stabile e quasi lineare—cosa che il traffico reale raramente è. La congestione può comparire all’improvviso, diffondersi in modo imprevedibile per la città e venire influenzata da molti fattori come l’ora del giorno, il giorno della settimana o eventi locali. Successivamente, i metodi di deep learning hanno cominciato a rappresentare le reti stradali come grafi, dove ogni sensore è un nodo e ogni collegamento stradale è un arco. Questi modelli basati su grafo hanno migliorato l’accuratezza riconoscendo che ciò che accade su una strada influenza fortemente le strade vicine. Tuttavia la maggior parte continua a trattare le connessioni stradali come fisse, ignorando che le relazioni tra strade possono variare nel tempo.

Catturare una rete stradale viva e mutevole

PGSFormer si basa sull’idea che la rete del traffico urbano non sia statica; si comporta più come un sistema vivente le cui connessioni interne cambiano di momento in momento. Anziché affidarsi solo alla configurazione fisica delle strade, il metodo costruisce ciò che gli autori chiamano un grafo progressivo. In questo grafo, la forza della connessione tra due sensori dipende da quanto sono simili le loro tendenze di traffico recenti, non solo dalla loro vicinanza geografica. Per esempio, una zona scolastica e un vicino quartiere degli uffici possono comportarsi in modo simile durante il traffico mattutino ma differire molto nel pomeriggio. PGSFormer aggiorna continuamente queste connessioni sia durante l’addestramento sia durante il test, così il modello può reagire ai dati freschi invece di restare ancorato a schemi appresi tempo fa.

Guardare in profondità nel tempo senza perdersi

Un altro ostacolo nella previsione del traffico è gestire serie temporali lunghe. I dati sul traffico mostrano spesso cicli sovrapposti—ore di punta giornaliere, pattern settimanali di lavoro e persino variazioni stagionali. I metodi standard possono concentrarsi troppo sul passato recente e perdere i trend più lenti, danneggiando le previsioni a lungo termine. PGSFormer affronta questo combinando due idee. Prima, usa un tipo speciale di convoluzione temporale che riesce a guardare indietro nel tempo senza richiedere una rete estremamente profonda, aiutandolo a catturare sia i cambiamenti rapidi sia i trend più ampi. Secondo, suddivide lunghe storie in sottosequenze più brevi e le alimenta in un Transformer—un’architettura potente originariamente progettata per il linguaggio—mascherando una parte di queste sottoserie e chiedendo al modello di ricostruirle. Questo compito di “sottoserie mascherate” insegna al sistema a comprendere il contesto più ampio invece di memorizzare singoli punti dati.

Test su traffico reale

Per valutare le prestazioni di PGSFormer, gli autori lo hanno testato su quattro grandi dataset reali della California, coprendo centinaia di sensori stradali a Los Angeles e nell’area della Baia di San Francisco, oltre a due altre reti autostradali. Hanno confrontato il loro metodo con una vasta gamma di concorrenti, da modelli classici come ARIMA a sistemi moderni di deep learning che utilizzano reti su grafo, reti ricorrenti e architetture basate su Transformer. Su tutti i dataset e per differenti orizzonti di previsione—15, 30 e 60 minuti—PGSFormer ha fornito costantemente errori più bassi. Si è dimostrato particolarmente valido per orizzonti più lunghi, dove molti modelli tendono a discostarsi dalla realtà. Esperimenti aggiuntivi in cui singole componenti del sistema sono state rimosse hanno mostrato che sia il grafo progressivo sia il Transformer con sottoserie mascherate sono cruciali per il successo del modello.

Cosa significa per gli spostamenti quotidiani

Per i non specialisti, la conclusione principale è che PGSFormer rappresenta un modo più realistico di pensare al traffico urbano. Invece di presumere che le strade influenzino sempre solo i vicini immediati, o che i pattern non cambino mai, il modello impara continuamente quali aree si comportano in modo simile nell’immediato e usa quella conoscenza per guardare più avanti nel tempo. Nei test su dati autostradali reali, questo approccio ha prodotto previsioni più accurate e più stabili rispetto a molti metodi esistenti. Integrato nei centri di controllo del traffico, nelle app di navigazione o negli strumenti di pianificazione del trasporto pubblico, un modello del genere potrebbe contribuire a ridurre la congestione, accorciare i tempi di pendolarismo e sfruttare meglio l’infrastruttura stradale esistente senza aggiungere nemmeno un miglio di asfalto.

Citazione: 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

Parole chiave: previsione del flusso di traffico, reti neurali su grafo, modelli transformer, trasporto intelligente, dati spazio-temporali