PGSFormer: 逐次的グラフ畳み込みネットワークと部分系列トランスフォーマーの同時最適化に基づく交通流予測

より賢い交通予測が重要な理由

世界中の都市は、時間、燃料、金銭を浪費する交通渋滞に悩まされています。道路にセンサーが増えるにつれて、車の動きに関する大量のリアルタイムデータが収集できるようになりました。課題は、そのデータを信頼できる短期・長期の予測に変換することで、信号を調整したり、経路提案を行ったり、渋滞が発生する前に抑制したりできるようにすることです。本稿はPGSFormerを紹介します。これは、道路の空間的位置と時間に伴う変化が現実世界でどのように相互作用するかを学習することで、より正確な交通予測を目指す新しい手法です。

単純な平均値から複雑なパターンへ

初期の交通予測ツールは、過去の平均を取るような単純な統計や、規則的で繰り返すパターンを仮定するモデルに頼ることが多かった。こうした手法はデータが安定的でほぼ線形に振る舞う場合にのみ有効であり、現実の交通はめったにそうはなりません。渋滞は突然発生し、都市全体に予測不可能に広がり、時間帯や曜日、付近での事故など多くの要因に左右されます。後に登場した深層学習は、各センサーをノード、道路接続をエッジとするグラフとして道路ネットワークを扱い始めました。これにより、ある道路の状況が隣接する道路に強く影響することをモデルが認識でき、精度が向上しました。それでも多くのモデルは道路接続を固定とみなし、道路間の関係が時間とともに変化する点を無視していました。

動的に変化する道路ネットワークを捉える

PGSFormerは、都市の交通ネットワークが静的ではなく、内部の結びつきが刻々と変動する生きたシステムに近いという考えに基づいています。物理的な道路配置だけに頼るのではなく、著者らは「逐次的グラフ（progressive graph）」を構築します。このグラフでは、任意の二つのセンサー間の結合強度は地図上の近さだけでなく、最近の交通傾向の類似度に基づいて決まります。たとえば、通学時間帯の学校周辺と近接するオフィス街は朝は似た振る舞いを示す一方で、午後には大きく異なるかもしれません。PGSFormerは学習時とテスト時の両方でこれらの結合を継続的に更新するため、過去に学んだパターンに固定されるのではなく、新しいデータに応答できます。

時間軸を深く見通しても見失わない工夫

交通予測のもう一つのハードルは、長い時系列を扱うことです。交通データには日々のラッシュ、週ごとの勤務パターン、季節変動など複数の周期が重なって現れます。標準的な手法は直近の過去に偏りがちで、遅い変動を見落としやすく、長期予測の精度を損ないます。PGSFormerは二つの考えを組み合わせてこれに対処します。まず、極めて深いネットワークを必要とせず遠い過去を参照できる特殊な時間畳み込みを使い、急激な変動と緩やかなトレンドの双方を捉えます。次に、長い履歴を短い部分系列に分割してトランスフォーマーに与え、その一部をマスクして再構築させるという手法を取ります。この「マスクされた部分系列」タスクは、個々のデータ点を丸暗記するのではなく、広い文脈を理解することをモデルに学習させます。

現実の交通データでの検証

PGSFormerの実用性を確かめるため、著者らはカリフォルニア州の4つの大規模実世界データセットで評価しました。これにはロサンゼルスとサンフランシスコ湾岸地域の数百の道路センサーや、他の2つの高速道路ネットワークが含まれます。比較対象はARIMAのような古典モデルから、グラフネットワーク、再帰ネットワーク、トランスフォーマーベースの最新深層学習システムに至るまで幅広く設定しました。全データセットと異なる予測先（15分、30分、60分）において、PGSFormerは一貫して誤差を低く抑えました。特に長時間先の予測で優れ、他の多くのモデルが現実から乖離しがちな場面で強さを示しました。システムの個別要素を除去して行った追加実験では、逐次的グラフとマスクされた部分系列トランスフォーマーの両方が性能に不可欠であることが示されました。

日常の移動にとっての意義

専門外の読者に向けた要点は、PGSFormerが都市交通をより現実的に捉える新しい考え方を示していることです。道路が常にただ近隣だけに影響する、あるいはパターンが決して変わらないと仮定するのではなく、現在どの地域が類似した挙動を示しているかを継続的に学習し、それをもとにより先の未来を予測します。実際の高速道路データでのテストでは、このアプローチは多くの既存手法よりも正確で安定した予測を生み出しました。交通管制センター、ナビゲーションアプリ、公共交通計画ツールに組み込まれれば、渋滞緩和や通勤時間短縮、既存インフラのより良い活用に寄与し、新たな道路を敷設することなく効果を発揮する可能性があります。

引用: 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

キーワード: 交通流予測, グラフニューラルネットワーク, トランスフォーマーモデル, スマート交通, 時空間データ