Gefedereerde ruimtelijk-temporele verkeersvoorspelling met VMD-versterkte graafattention en LSTM

Waarom het voorspellen van stadsverkeer echt belangrijk is

Wie ooit vast heeft gestaan in een file weet hoe onvoorspelbaar stadsverkeer kan aanvoelen. Achter de schermen zijn het echter planners, vervoerders en navigatie-apps die rekenen op computers die proberen te voorspellen hoeveel fietsen, taxi’s of auto’s er in de komende minuten of uren op elke straat aanwezig zullen zijn. Dit artikel onderzoekt een nieuwe manier om die voorspellingen nauwkeuriger te maken terwijl gevoelige reisgegevens privé blijven, door een combinatie van slimme signaalreiniging, netwerkmodellering en gedeeld leren tussen steden.

De uitdaging van rommelige en privégegevens over verkeer

Verkeerspatronen in steden zijn sterk ongelijk. De ochtendspits, plotselinge buien, ongevallen, wegwerkzaamheden en grote evenementen duwen de vraag op en neer op manieren die per plek en per dag verschillen. Traditionele voorspellingsmethoden veronderstellen vaak dat gedrag redelijk regelmatig is over de tijd, wat bij verkeer duidelijk niet het geval is. Tegelijkertijd verzamelen veel verschillende organisaties nu gedetailleerde mobiliteitsgegevens — van deelfietssystemen tot taxivloten — maar zij kunnen of willen vaak de ruwe gegevens niet samenvoegen vanwege privacyregels, commerciële concurrentie en beveiligingszorgen. Een voorspellingsmethode die met deze rommeligheid kan omgaan, van veel partners kan leren en toch ruwe gegevens lokaal houdt, is daardoor zeer wenselijk.

Complexe signalen opsplitsen in duidelijkere onderdelen

Het eerste ingrediënt van het voorgestelde systeem is een signaalreinigingsstap genaamd variational mode decomposition (VMD), die kan worden gezien als een slimme filter die een ruisende verkeerscurve opdeelt in meerdere eenvoudigere golven plus een resterend restsignaal. Eén golf kan langzame dagelijkse cycli vastleggen, een andere wekelijkse ritmes, en weer andere de snelle, onregelmatige pieken in vraag. Door het model elk van deze draden afzonderlijk te laten bekijken, vermindert de methode interferentie tussen langetermijntrends en kortstondige uitschieters, waardoor patronen gemakkelijker te herkennen zijn. Deze decompositie gebeurt onafhankelijk op de machine van elke partner, zodat de originele reisrecords nooit hun organisatie verlaten.

Het model leren patronen in tijd en ruimte te volgen

Zodra het verkeerssignaal in schonere onderdelen is opgesplitst, wordt het ingevoerd in een deep-learning-backbone die is ontworpen om zowel te volgen hoe de vraag zich in de tijd ontvouwt als hoe deze zich over de stadskaart verspreidt. Een long short-term memory-module fungeert als een soort selectief geheugen, dat beslist welke eerdere bewegingen de moeite van het onthouden waard zijn en welke zouden moeten vervagen. Een multi-head attention-laag richt het model vervolgens op de meest informatieve momenten in het recente verleden, zoals scherpe stijgingen vóór de spits of plotselinge dalingen nadat een bui voorbij is. Parallel daaraan behandelt een graafgebaseerde component elk station of gebied als een knooppunt in een netwerk en leert hoe veranderingen in het ene gebied doorwerken in andere, zonder te vertrouwen op een vaste wegenkaart. Samen vormen deze onderdelen een flexibel mechanisme dat verschuivende relaties in zowel tijd als ruimte kan vastleggen.

Kennis delen tussen steden zonder ritten te delen

Het tweede belangrijke idee is veel verschillende gegevenshouders een gedeeld voorspellingsmodel te laten trainen zonder ooit hun ruwe records naar een centrale server te sturen. In plaats daarvan traint elke client — bijvoorbeeld een deelfietsprogramma in één district of een taxivloot in een ander — het model lokaal en stuurt alleen bijgewerkte modelparameters naar een centrale coördinator. De server versmelt deze updates tot een nieuw globaal model en stuurt het terug. Een client-side validatiestap controleert vervolgens, module voor module, of de globale wijzigingen daadwerkelijk helpen op de eigen gegevens van die client. Zo niet, dan behoudt de client zijn lokale versie voor dat deel van het model. Deze selectieve adoptie betekent dat elke deelnemer profiteert van de ervaring van de groep terwijl het systeem toch aan de eigen unieke patronen wordt aangepast.

Wat de experimenten in de praktijk laten zien

Om te zien hoe goed deze aanpak werkt, testten de auteurs het op twee grote, echte datasets: deelfietstrips in New York City en taxiritten in Chicago, beide geaggregeerd per uur en locatie. Ze vergeleken hun systeem met een breed scala aan bestaande deep-learning- en graafgebaseerde modellen, zowel bij traditioneel gecentraliseerde training als bij privacybeschermende gefedereerde instellingen. Over de hele linie verminderde het VMD-verrijkte, gefedereerde model de gemiddelde voorspellingsfouten aanzienlijk — ruwweg met een kwart tot twee vijfden vergeleken met een sterke baseline — terwijl het ook betrouwbaar convergeerde, zelfs wanneer verschillende clients zeer uiteenlopende verkeerspatronen hadden. De resultaten suggereren dat het opschonen van signalen in meerdere frequentiebanden en het iedere client laten beslissen welke gedeelde updates worden geaccepteerd beide cruciaal zijn voor het bereiken van stabiele nauwkeurigheid.

Conclusie: slimmere, privacynvriendelijkere verkeersvoorspellingen

In eenvoudige termen laat dit werk zien dat verkeersvoorspellingen zowel scherper als respectvoller ten opzichte van privacy kunnen worden door drie ideeën te combineren: vraagcurven opsplitsen in eenvoudige golven, modelleren hoe beweging zich door een stedelijk netwerk in de tijd verspreidt, en veel gegevenshouders laten samenwerken zonder hun ruwe logs prijs te geven. Het voorgestelde raamwerk presteert consequent beter dan eerdere methoden qua nauwkeurigheid en robuustheid, en wijst op een toekomst waarin stadsdiensten, mobiliteitsoperatoren en zelfs verbonden voertuigen gezamenlijk krachtige voorspellingsinstrumenten kunnen trainen terwijl gevoelige ritdetails dicht bij huis blijven.

Bronvermelding: 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

Trefwoorden: verkeersvoorspelling, gefedereerd leren, stedelijke mobiliteit, graaf neurale netwerken, tijdrijreeksen