PGSFormer: previsão de fluxo de tráfego baseada em otimização conjunta de redes convolucionais de grafos progressivas com transformer de sub-séries

Por que previsões de tráfego mais inteligentes importam

Cidades de todo o mundo enfrentam engarrafamentos que desperdiçam tempo, combustível e dinheiro. À medida que mais vias são equipadas com sensores, passamos a coletar grandes volumes de dados em tempo real sobre o movimento dos veículos. O desafio é transformar esses dados em previsões confiáveis de curto e longo prazo para ajustar semáforos, sugerir rotas e reduzir a congestão antes que ela se forme. Este artigo apresenta o PGSFormer, um novo método de previsão que busca prever o tráfego com maior precisão ao aprender como o espaço (onde estão as vias) e o tempo (como os padrões mudam) interagem no mundo real.

De médias simples a padrões complexos

As primeiras ferramentas de previsão de tráfego dependiam principalmente de estatísticas simples, como médias históricas ou modelos que assumem padrões regulares e repetitivos. Essas abordagens funcionam apenas quando os dados se comportam de forma estável e quase linear — o que raramente ocorre no tráfego real. A congestão pode surgir subitamente, espalhar-se de forma imprevisível por uma cidade e ser influenciada por muitos fatores, como horário do dia, dia da semana ou incidentes nas proximidades. Posteriormente, métodos de aprendizado profundo passaram a usar redes viárias como grafos, em que cada sensor é um nó e cada ligação viária é uma aresta. Esses modelos baseados em grafos melhoraram a precisão ao reconhecer que o que acontece em uma via afeta fortemente suas vizinhas. Ainda assim, a maioria continua tratando as conexões viárias como fixas, ignorando que as relações entre vias podem mudar com o tempo.

Capturando uma rede viária viva e em mudança

O PGSFormer parte da ideia de que a rede de tráfego de uma cidade não é estática; ela se comporta mais como um sistema vivo cujas conexões internas mudam de momento a momento. Em vez de depender apenas da configuração física das vias, o método constrói o que os autores chamam de grafo progressivo. Nesse grafo, a força da conexão entre dois sensores é baseada em quão semelhantes são suas tendências recentes de tráfego, não apenas na proximidade geográfica. Por exemplo, uma zona escolar e um distrito de escritórios próximos podem apresentar comportamento semelhante na manhã, mas diferir bastante à tarde. O PGSFormer atualiza continuamente essas conexões tanto em treinamento quanto em teste, de modo que o modelo pode reagir a dados recentes em vez de ficar preso a padrões aprendidos há muito tempo.

Olhar fundo no tempo sem se perder

Outro desafio na previsão de tráfego é lidar com séries temporais longas. Dados de tráfego frequentemente exibem vários ciclos sobrepostos — picos diários, padrões semanais de trabalho e até mudanças sazonais. Métodos padrão podem focar demais no passado recente e perder tendências de movimento mais lento, o que prejudica previsões de longo alcance. O PGSFormer trata isso combinando duas ideias. Primeiro, usa um tipo especial de convolução temporal que consegue enxergar mais longe no tempo sem exigir uma rede extremamente profunda, ajudando a capturar oscilações rápidas e tendências mais amplas. Segundo, divide longos históricos em subsequências mais curtas e as alimenta em um Transformer — uma arquitetura poderosa originalmente projetada para linguagem — enquanto oculta parte dessas subsequências e pede que o modelo as reconstrua. Essa tarefa de “sub-séries mascaradas” ensina o sistema a entender o contexto mais amplo em vez de memorizar pontos de dados isolados.

Testando contra tráfego do mundo real

Para avaliar o desempenho do PGSFormer na prática, os autores o testaram em quatro grandes conjuntos de dados reais da Califórnia, cobrindo centenas de sensores rodoviários em Los Angeles e na área da baía de São Francisco, além de duas outras redes de rodovias. Eles compararam seu método com uma ampla gama de concorrentes, desde modelos clássicos como ARIMA até sistemas modernos de aprendizado profundo que usam redes de grafos, redes recorrentes e projetos baseados em Transformer. Em todos os conjuntos de dados e para diferentes horizontes de previsão — 15, 30 e 60 minutos à frente — o PGSFormer apresentou consistentemente erros menores. Foi particularmente forte em horizontes mais longos, onde muitos modelos tendem a se distanciar da realidade. Experimentos adicionais que removeram componentes individuais do sistema mostraram que tanto o grafo progressivo quanto o Transformer de subsequência mascarada são cruciais para o sucesso do modelo.

O que isso significa para o deslocamento cotidiano

Para não especialistas, a conclusão principal é que o PGSFormer representa uma forma mais realista de pensar sobre o tráfego urbano. Em vez de assumir que as vias influenciam apenas suas vizinhas imediatas ou que os padrões nunca mudam, ele aprende continuamente quais áreas estão se comportando de forma semelhante no momento e usa esse conhecimento para olhar mais adiante. Em testes com dados reais de rodovias, essa abordagem produziu previsões mais precisas e mais estáveis do que muitos métodos existentes. Se integrado a centros de controle de tráfego, aplicativos de navegação ou ferramentas de planejamento de transporte público, modelos assim poderiam ajudar a reduzir congestionamentos, encurtar deslocamentos e utilizar melhor a infraestrutura viária existente sem construir um único quilômetro novo de asfalto.

Citação: 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

Palavras-chave: previsão de fluxo de tráfego, redes neurais de grafos, modelos transformer, transporte inteligente, dados espaço-temporais