Onderzoek naar verkeersstroomvoorspelling met progressieve grafconvolutionele netwerken gebaseerd op een ruimtelijk-temporeel zelfaandachtsmechanisme

Waarom slimere verkeersvoorspellingen ertoe doen

Spitsverkeer kan onvoorspelbaar aanvoelen, terwijl steden juist afhankelijk zijn van voorspellingen om congestie te beheren, verkeerslichten af te stellen en bestuurders te begeleiden. Deze studie presenteert een nieuwe manier om verkeer te voorspellen die zich in realtime aanpast aan veranderende omstandigheden, met als doel nauwkeuriger voorspellingen te leveren van enkele minuten tot een uur vooruit. Door te leren hoe verschillende delen van een wegennetwerk elkaar in de tijd beïnvloeden, belooft de methode soepelere woon-werkverkeer, beter gebruik van bestaande wegen en betrouwbaardere reisplanning.

Veranderende verkeerspatronen door de stad heen

Verkeer is allesbehalve willekeurig. Het vertoont terugkerende dagelijkse en wekelijkse ritmes—zoals ochtend- en avondspitsen—laag over laag gelegd met verrassingen veroorzaakt door het weer, ongevallen, schoolschema’s en speciale evenementen. Traditionele voorspellingsinstrumenten gaan vaak uit van relatief eenvoudige en stabiele patronen, waardoor ze worstelen met de rommelige realiteit van een grote stad. Ze vatten mogelijk óf de tijdsdimensie (hoe verkeer op een punt verandert) óf de ruimtedimensie (hoe nabijgelegen wegen elkaar beïnvloeden), maar zelden beide samen op een flexibele manier. Daardoor neemt hun nauwkeurigheid snel af bij pogingen verder dan een paar minuten vooruit te voorspellen.

Van vaste kaarten naar levende wegennetwerken

Recente vorderingen in kunstmatige intelligentie gebruiken het idee van een wegennetwerk als een graaf: iedere sensor langs een snelweg is een knooppunt en de wegen die ze verbinden vormen de verbindingen. Eerdere systemen leerden tijdens training hoe sterk elke weg zijn buren beïnvloedt en vergrendelden die relaties daarna voor toepassing. De auteurs stellen dat dit een ernstige beperking is. In de praktijk kunnen twee wegen vergelijkbaar gedrag vertonen tijdens de schoolspits maar ’s avonds uiteenlopen, of verre routes synchroon bewegen wanneer een groot incident het verkeer omleidt. Een vaste invloedkaart kan niet bijhouden hoe deze patronen evolueren, wat leidt tot een discrepantie tussen wat het model vroeger leerde en wat het nu tegenkomt.

Een model dat zich aanpast terwijl het verkeer beweegt

Het voorgestelde PGCN-STSA-model behandelt het wegennetwerk als een levend systeem waarvan de interne verbindingen in de loop van de tijd kunnen verschuiven. In plaats van alleen te steunen op fysieke afstand of een statische kaart, meet het continu hoe vergelijkbaar het recente gedrag van elk paar sensoren is. Als twee locaties gelijke stijgingen en dalingen in snelheid laten zien, versterkt het model de verbinding daartussen; als hun patronen uiteenlopen, verzwakt die link. Deze “progressieve” graaf wordt bijgewerkt met recente data, zodat het beeld van het netwerk met het echte verkeer meebeweegt. Daarbovenop helpt een speciaal aandachtsmechanisme het systeem zich te concentreren op de meest relevante tijden en plekken, terwijl een zorgvuldig ontworpen convolutiestap het in staat stelt ver terug te kijken in het recente verleden zonder te traag of te complex te worden.

Testen op snelwegen in de echte wereld

Om te beoordelen of deze adaptieve aanpak echt helpt, testten de onderzoekers het op twee bekende snelwegdatasets uit Los Angeles en de San Francisco Bay Area. In beide gevallen registreerden honderden wegkantensensoren voertuig­snelheden elke vijf minuten gedurende meerdere maanden. Het nieuwe model moest het verkeer 15, 30 en 60 minuten in de toekomst voorspellen en werd vergeleken met een breed scala aan bestaande methoden—van klassieke statistiek tot enkele van de nieuwste deep-learning systemen. In vrijwel alle instellingen produceerde het adaptieve model kleinere fouten. Hoewel de procentuele verbeteringen bescheiden lijken, duiden ze, gezien de reeds sterke referentiemodellen, op een betekenisvolle winst in nauwkeurigheid en stabiliteit, vooral bij langere voorspellingstermijnen waar fouten normaal gesproken snel toenemen.

Wat dit betekent voor dagelijks reizen

Voor de dagelijkse reiziger vertaalt de technische uitwerking zich naar een eenvoudig voordeel: betere voorspellingen over hoe het verkeer zich het komende uur zal ontwikkelen. Een systeem gebaseerd op dit soort model zou sneller kunnen reageren op rijstrooksluitingen, veranderende schoolschema’s of verschuivende woon-werkgewoonten, en zo navigatie-apps, verkeerslichtsturing en planningsinstrumenten verbeteren. Het werk benadrukt ook een bredere gedachte in datawetenschap: in plaats van te veronderstellen dat relaties in een complex systeem vastliggen, kan het krachtiger zijn het model continu te laten herleren hoe verschillende delen elkaar beïnvloeden. Naarmate steden meer verbonden en data-rijk worden, kunnen dergelijke aanpasbare voorspellingsinstrumenten centraal komen te staan in het efficiënt houden van de verplaatsing van mensen en goederen.

Bronvermelding: Liu, C., Kou, Y., Wang, S. et al. Research on traffic flow prediction of progressive graph convolutional networks based on spatio-temporal self-attention mechanism. Sci Rep 16, 14112 (2026). https://doi.org/10.1038/s41598-026-44004-7

Trefwoorden: verkeersvoorspelling, intelligent vervoer, graf-neurale netwerken, deep learning, ruimtelijk-temporele gegevens