Federacyjna przestrzenno‑czasowa prognoza ruchu z uwzględnieniem VMD, uwierzytelnioną uwagą grafową i LSTM

Dlaczego przewidywanie ruchu miejskiego ma znaczenie

Każdy, kto utknął w korku, wie, jak nieprzewidywalny może być ruch w mieście. Jednak w tle planiści, operatorzy transportu i aplikacje nawigacyjne polegają na systemach komputerowych starających się oszacować, ile rowerów, taksówek czy samochodów pojawi się na danej ulicy w następnych minutach lub godzinach. W artykule przedstawiono nowy sposób poprawy tych prognoz przy jednoczesnym zachowaniu prywatności wrażliwych danych o podróżach, wykorzystując kombinację zaawansowanego oczyszczania sygnału, modelowania sieciowego oraz wspólnego uczenia się między miastami.

Problem chaotycznych i prywatnych danych ruchu

Wzorce ruchu miejskiego są skrajnie nieregularne. Poranne szczyty, nagłe burze, wypadki, roboty drogowe i duże wydarzenia podnoszą lub obniżają zapotrzebowanie w sposób, który zmienia się w zależności od miejsca i dnia. Tradycyjne narzędzia prognostyczne zakładają względną regularność zachowań w czasie, czego ruch nie spełnia. Jednocześnie wiele różnych organizacji zbiera szczegółowe dane o mobilności — od systemów rowerów miejskich po floty taksówek — ale często nie może lub nie chce łączyć surowych danych z powodu przepisów prywatności, konkurencji handlowej czy obaw o bezpieczeństwo. Metoda prognozowania, która radzi sobie z taką nieregularnością, uczy się od wielu partnerów i jednocześnie utrzymuje surowe dane lokalnie, jest więc bardzo pożądana.

Rozbijanie złożonych sygnałów na czytelniejsze składniki

Pierwszym składnikiem proponowanego systemu jest etap oczyszczania sygnału zwany wariacyjną dekompozycją modów (variational mode decomposition, VMD), który można rozumieć jako inteligentny filtr rozkładający zaszumioną krzywą ruchu na kilka prostszych fal oraz pozostałość. Jedna fala może odzwierciedlać powolne cykle dobowe, inna rytmy tygodniowe, a kolejne szybkie, niestabilne skoki zapotrzebowania. Pozwalając modelowi analizować każdą z tych składowych osobno, metoda redukuje interferencję między trendami długoterminowymi a krótkotrwałymi skokami, ułatwiając wykrywanie wzorców. Ta dekompozycja odbywa się niezależnie na maszynie każdego partnera, więc oryginalne zapisy podróży nigdy nie opuszczają ich organizacji.

Nauczanie modelu śledzenia wzorców w czasie i przestrzeni

Gdy sygnał ruchu zostanie podzielony na oczyszczone składniki, trafia on do głębokiej sieci zaprojektowanej tak, by śledzić zarówno rozwój zapotrzebowania w czasie, jak i jego rozprzestrzenianie się po mapie miasta. Moduł LSTM (długiej pamięci krótkotrwałej) działa jak selektywna pamięć, decydując, które przeszłe zachowania warto zachować, a które powinny wyblaknąć. Warstwa wielogłowej uwagi kieruje następnie uwagę modelu na najbardziej informatywne momenty z niedawnej przeszłości, takie jak gwałtowne wzrosty przed szczytem czy nagłe spadki po ustaniu burzy. Równolegle komponent grafowy traktuje każdą stację lub strefę jako węzeł w sieci i uczy się, jak zmiany w jednym obszarze rozchodzą się do innych, bez polegania na stałej mapie dróg. Razem te elementy tworzą elastyczny mechanizm zdolny uchwycić zmieniające się zależności w czasie i przestrzeni.

Dzielenie się wiedzą między miastami bez przekazywania tras

Drugą istotną ideą jest umożliwienie wielu właścicielom danych trenowania wspólnego modelu prognozującego bez wysyłania surowych rekordów do centralnego serwera. Każdy klient — na przykład system rowerów miejskich w jednej dzielnicy czy flota taksówek w innej — trenuje model lokalnie i wysyła jedynie zaktualizowane parametry modelu do centralnego koordynatora. Serwer łączy te aktualizacje w nowy model globalny i odsyła go z powrotem. Etap walidacji po stronie klienta sprawdza następnie, moduł po module, czy globalne zmiany rzeczywiście poprawiają wyniki na danych tego klienta. Jeśli nie, klient zachowuje swoją lokalną wersję dla danej części modelu. Taka selektywna adaptacja pozwala każdemu uczestnikowi korzystać z doświadczeń społeczności, jednocześnie dostosowując system do własnych, unikalnych wzorców.

Co wykazały eksperymenty w rzeczywistych warunkach

Aby ocenić skuteczność podejścia, autorzy przetestowali je na dwóch dużych, rzeczywistych zestawach danych: przejazdach rowerów miejskich w Nowym Jorku oraz kursach taksówek w Chicago, oba zagregowane według godziny i lokalizacji. Porównali swój system z szerokim spektrum istniejących modeli głębokiego uczenia i grafowych, zarówno w scentralizowanym trenowaniu, jak i w zabezpieczonych federacyjnie konfiguracjach. W całym zestawie eksperymentów model federacyjny z ulepszeniem VMD znacząco zmniejszył średnie błędy prognoz — o około jedną czwartą do dwóch piątych w porównaniu z silną wersją bazową — jednocześnie zbliżając się do zbieżności niezawodnie nawet wtedy, gdy klienci mieli bardzo różne wzorce ruchu. Wyniki sugerują, że oczyszczanie sygnałów na wielkie pasma częstotliwości oraz umożliwienie każdemu klientowi świadomego wyboru, które wspólne aktualizacje zaakceptować, są kluczowe dla osiągnięcia stabilnej dokładności.

Wnioski: mądrzejsze, bardziej prywatne prognozy ruchu

Mówiąc prosto, praca pokazuje, że prognozy ruchu mogą stać się zarówno dokładniejsze, jak i bardziej respektujące prywatność, poprzez połączenie trzech pomysłów: rozbicia krzywych zapotrzebowania na proste fale, modelowania rozprzestrzeniania się ruchu w sieci miejskiej w czasie oraz współpracy wielu właścicieli danych bez ujawniania surowych zapisów. Proponowane ramy konsekwentnie przewyższają wcześniejsze metody pod względem dokładności i odporności, zapowiadając przyszłość, w której agencje miejskie, operatorzy mobilności, a nawet podłączone pojazdy wspólnie wytrenować potężne narzędzia prognostyczne, przy jednoczesnym przechowywaniu wrażliwych szczegółów podróży blisko źródła danych.

Cytowanie: 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

Słowa kluczowe: prognozowanie ruchu, uczenie federacyjne, mobilność miejska, sieci neuronowe grafowe, szeregi czasowe