PGSFormer: verkeersstroomvoorspelling gebaseerd op gezamenlijke optimalisatie van progressieve grafconvolutionele netwerken met subserie-transformer

Waarom slimere verkeersvoorspellingen ertoe doen

Steden wereldwijd hebben te kampen met files die tijd, brandstof en geld verspillen. Naarmate meer wegen zijn uitgerust met sensoren, verzamelen we enorme hoeveelheden realtimegegevens over hoe voertuigen zich verplaatsen. De uitdaging is om die gegevens om te zetten in betrouwbare korte- en langetermijnvoorspellingen zodat verkeerslichten kunnen worden aangepast, routes kunnen worden aanbevolen en congestie kan worden verminderd voordat die ontstaat. Dit artikel introduceert PGSFormer, een nieuwe voorspellingsmethode die tot doel heeft het verkeer nauwkeuriger te voorspellen door te leren hoe zowel ruimte (waar de wegen liggen) als tijd (hoe patronen veranderen) in de echte wereld op elkaar inwerken.

Van simpele gemiddelden naar complexe patronen

Vroege hulpmiddelen voor verkeersvoorspelling vertrouwden vooral op eenvoudige statistieken, zoals historische gemiddelden of modellen die uitgaan van regelmatige, herhalende patronen. Deze benaderingen werken alleen wanneer de gegevens zich redelijk stabiel en bijna lineair gedragen — wat in het echte verkeer zelden het geval is. Files kunnen plotseling ontstaan, zich onvoorspelbaar door een stad verspreiden en worden beïnvloed door veel factoren zoals tijd van de dag, dag van de week of incidenten in de omgeving. Later begonnen deep-learningmethoden wegen als netwerken te gebruiken, waarbij elke sensor een knooppunt is en elke weglink een rand. Deze op grafen gebaseerde modellen verbeterden de nauwkeurigheid door te onderkennen dat wat er op één weg gebeurt sterk effect heeft op de buren. Toch behandelen de meeste modellen de wegverbindingen nog steeds als vaststaand en negeren ze dat relaties tussen wegen in de tijd kunnen veranderen.

Een levend, veranderend wegennet vastleggen

PGSFormer is gebouwd op het idee dat het verkeersnetwerk van een stad niet statisch is; het gedraagt zich meer als een levend systeem waarvan de interne verbindingen van moment tot moment verschuiven. In plaats van alleen te steunen op de fysieke weglayout, bouwt de methode wat de auteurs een progressieve graaf noemen. In deze graaf is de sterkte van de verbinding tussen twee sensoren gebaseerd op hoe vergelijkbaar hun recente verkeerstrends zijn, niet alleen op hoe dicht ze op de kaart bij elkaar liggen. Een schoolomgeving en een nabijgelegen kantorenwijk kunnen zich bijvoorbeeld vergelijkbaar gedragen tijdens de ochtendspits maar sterk van elkaar verschillen in de middag. PGSFormer werkt deze verbindingen continu bij tijdens zowel training als test, zodat het model kan reageren op versere gegevens in plaats van vast te zitten in lang geleden aangeleerde patronen.

Diep in de tijd kijken zonder de draad kwijt te raken

Een andere uitdaging bij verkeersvoorspelling is het omgaan met lange tijdseries. Verkeersgegevens vertonen vaak meerdere overlappende cycli — dagelijkse spitsuren, wekelijkse werkpatronen en zelfs seizoensgebonden veranderingen. Standaardmethoden kunnen te veel focus hebben op het recente verleden en tragere trends missen, wat voorspellingsprestaties op lange termijn schaadt. PGSFormer pakt dit aan door twee ideeën te combineren. Ten eerste gebruikt het een speciaal type temporele convolutie dat ver terug in de tijd kan kijken zonder een extreem diep netwerk nodig te hebben, waardoor zowel snelle schommelingen als bredere trends gevangen worden. Ten tweede knipt het lange historieën in kortere subsequenties en voert die in een Transformer — een krachtige architectuur oorspronkelijk ontworpen voor taal — terwijl het een deel van die subsequenties verbergt en het model vraagt ze te reconstrueren. Deze taak van "gemaskerde subserie" leert het systeem de bredere context te begrijpen in plaats van individuele datapunten uit het hoofd te leren.

Getest op reële verkeersgegevens

Om te beoordelen hoe goed PGSFormer in de praktijk presteert, testten de auteurs het op vier grote, reële datasets uit Californië, met honderden wegsensoren in Los Angeles en de San Francisco Bay Area, evenals twee andere snelwegennetwerken. Ze vergeleken hun methode met een breed scala aan concurrenten, van klassieke modellen zoals ARIMA tot moderne deep-learningsystemen die grafnetwerken, recurrente netwerken en Transformer-gebaseerde ontwerpen gebruiken. Over alle datasets en voor verschillende voorspellingshorizons — 15, 30 en 60 minuten vooruit — behaalde PGSFormer consequent lagere fouten. Het was bijzonder sterk op langere horizons, waar veel modellen de neiging hebben van de realiteit af te drijven. Aanvullende experimenten waarin afzonderlijke onderdelen van het systeem werden verwijderd, toonden dat zowel de progressieve graaf als de gemaskeerde subsequentie-Transformer cruciaal zijn voor het succes.

Wat dit betekent voor dagelijks reizen

Voor niet-specialisten is de belangrijkste conclusie dat PGSFormer een realistischer manier biedt om over stedelijk verkeer te denken. In plaats van uit te gaan van het idee dat wegen alleen hun directe buren beïnvloeden, of dat patronen nooit veranderen, leert het voortdurend welke gebieden zich op dat moment vergelijkbaar gedragen en gebruikt die kennis om verder in de toekomst te kijken. In tests met echte snelweggegevens leverde deze benadering nauwkeurigere en stabielere voorspellingen op dan veel bestaande methoden. Als zulke modellen worden geïntegreerd in verkeerscentrales, navigatie-apps of planningstools voor het openbaar vervoer, kunnen ze helpen congestie te verminderen, reistijden te verkorten en bestaande weginfrastructuur beter te benutten zonder ook maar één kilometer nieuw asfalt aan te leggen.

Bronvermelding: 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

Trefwoorden: verkeersstroomvoorspelling, graf-neurale netwerken, transformer-modellen, slimme mobiliteit, spatiotemporale gegevens