PGSFormer: prognozowanie przepływu ruchu oparte na wspólnej optymalizacji progresywnych splotowych sieci grafowych z subserią transformera

Dlaczego mądrzejsze prognozy ruchu są ważne

Miasta na całym świecie zmagają się z korkami, które pochłaniają czas, paliwo i pieniądze. W miarę jak więcej dróg zostaje wyposażonych w czujniki, zbieramy ogromne ilości danych w czasie rzeczywistym o tym, jak poruszają się pojazdy. Wyzwanie polega na przekształceniu tych danych w wiarygodne prognozy krótkoterminowe i długoterminowe, tak aby można było dostosowywać sygnalizację, proponować trasy i ograniczać kongestię, zanim się pojawi. W artykule zaproponowano PGSFormer — nową metodę prognozowania, która ma na celu dokładniejsze przewidywanie ruchu przez uczenie się, jak w rzeczywistości współdziałają przestrzeń (położenie dróg) i czas (zmieniające się wzorce).

Od prostych średnich do złożonych wzorców

Wczesne narzędzia do prognozowania ruchu opierały się głównie na prostych statystykach, takich jak średnie historyczne lub modele zakładające regularne, powtarzalne wzorce. Podejścia te działają tylko wtedy, gdy dane zachowują się w miarę stabilnie i niemal liniowo — co rzadko ma miejsce w rzeczywistym ruchu. Kongestia może pojawić się nagle, rozprzestrzeniać się w nieprzewidywalny sposób po mieście i być wpływana przez wiele czynników, jak pora dnia, dzień tygodnia czy okoliczne zdarzenia. Później metody głębokiego uczenia zaczęły wykorzystywać sieci drogowe jako grafy, gdzie każdy sensor to węzeł, a połączenia drogowe to krawędzie. Modele oparte na grafach poprawiły dokładność, uwzględniając, że to, co dzieje się na jednej drodze, silnie wpływa na sąsiednie. Nadal jednak większość z nich traktuje połączenia drogowe jako stałe, ignorując, że relacje między drogami mogą się zmieniać w czasie.

Oddanie żywej, zmiennej sieci drogowej

PGSFormer opiera się na założeniu, że miejska sieć ruchu nie jest statyczna; zachowuje się bardziej jak żywy organizm, którego wewnętrzne połączenia zmieniają się z chwili na chwilę. Zamiast polegać wyłącznie na fizycznym układzie dróg, metoda buduje tzw. progresywny graf. W tym grafie siła połączenia między dwoma sensorami opiera się na tym, jak podobne są ich ostatnie trendy ruchu, a nie tylko na odległości na mapie. Na przykład strefa wokół szkoły i pobliskie biuro mogą zachowywać się podobnie podczas porannego szczytu, ale znacznie różnić się po południu. PGSFormer nieustannie aktualizuje te powiązania podczas treningu i testowania, dzięki czemu model może reagować na świeże dane zamiast być uwiązany do wzorców nauczonych dawno temu.

Głębokie spojrzenie w czasie bez zgubienia kontekstu

Kolejną przeszkodą w prognozowaniu ruchu jest radzenie sobie z długimi szeregami czasowymi. Dane o ruchu często pokazują nałożone na siebie cykle — codzienne szczyty, tygodniowe wzorce pracy, a nawet sezonowe zmiany. Standardowe metody mogą zbytnio skupiać się na niedawnej przeszłości i przegapiać wolniej zmieniające się trendy, co szkodzi prognozom na dłuższe dystanse. PGSFormer radzi sobie z tym poprzez połączenie dwóch pomysłów. Po pierwsze, stosuje specjalny rodzaj splotu temporalnego, który pozwala sięgać daleko w przeszłość bez potrzeby ekstremalnie głębokiej sieci, co pomaga uchwycić zarówno szybkie wahania, jak i szersze trendy. Po drugie, dzieli długie historie na krótsze podsekwencje i wprowadza je do Transformera — potężnej architektury pierwotnie zaprojektowanej do przetwarzania języka — jednocześnie maskując część tych podsekwencji i prosząc model o ich odtworzenie. Zadanie „maskowanej subserii” uczy system rozumienia szerszego kontekstu zamiast zapamiętywania pojedynczych punktów danych.

Testy na danych ze świata rzeczywistego

Aby sprawdzić praktyczną skuteczność PGSFormer, autorzy przetestowali go na czterech dużych, rzeczywistych zbiorach danych z Kalifornii, obejmujących setki czujników drogowych w Los Angeles i rejonie Zatoki San Francisco oraz na dwóch innych sieciach autostrad. Porównali swoją metodę z szerokim spektrum konkurentów, od klasycznych modeli jak ARIMA po nowoczesne systemy głębokiego uczenia wykorzystujące sieci grafowe, sieci rekurencyjne i projekty oparte na Transformerach. We wszystkich zbiorach danych i dla różnych horyzontów predykcji — 15, 30 i 60 minut — PGSFormer konsekwentnie osiągał niższe błędy. Był szczególnie silny na dłuższych horyzontach, gdzie wiele modeli ma tendencję do dryfowania od rzeczywistości. Dodatkowe eksperymenty polegające na usuwaniu poszczególnych części systemu wykazały, że zarówno progresywny graf, jak i maskowany Transformer podsekwencji są kluczowe dla jego sukcesu.

Co to oznacza dla codziennych podróży

Dla odbiorców nietechnicznych najważniejszym wnioskiem jest to, że PGSFormer reprezentuje bardziej realistyczne podejście do myślenia o miejskim ruchu. Zamiast zakładać, że drogi wpływają jedynie na swoich bezpośrednich sąsiadów lub że wzorce nigdy się nie zmieniają, model nieustannie uczy się, które obszary zachowują się podobnie właśnie teraz, i wykorzystuje tę wiedzę do przewidywania dalej w przyszłość. W testach na rzeczywistych danych z autostrad podejście to dało dokładniejsze i stabilniejsze prognozy niż wiele istniejących metod. Jeśli zostanie zintegrowane z centrami zarządzania ruchem, aplikacjami nawigacyjnymi lub narzędziami planowania transportu publicznego, takie modele mogą pomóc zmniejszyć kongestię, skrócić dojazdy i lepiej wykorzystać istniejącą infrastrukturę drogową bez konieczności budowy nowych odcinków asfaltu.

Cytowanie: 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

Słowa kluczowe: prognozowanie ruchu drogowego, sztuczne sieci grafowe, modele transformerowe, inteligentny transport, dane przestrzenno‑czasowe