Modelagem espaço-temporal integrada com convoluções híbridas em grafos e o operador neural de Fourier em grafos para previsão de tráfego

Por que prever o tráfego com larga antecedência importa

Qualquer pessoa que já ficou presa em um engarrafamento súbito sabe que os aplicativos de navegação atuais ainda são em sua maioria reativos: avisam quando a congestão já se formou. Este artigo investiga como olhar muito mais adiante no futuro — dezenas de minutos a horas — para que cidades e motoristas possam evitar o bloqueio antes que ele comece. Os autores apresentam um novo arcabouço de inteligência artificial que aprende como as ondulações de tráfego se propagam por redes viárias inteiras ao longo do tempo, fazendo isso com maior precisão e eficiência do que muitas abordagens atuais de deep learning.

Ver as vias como uma rede viva

Em vez de encarar cada sensor viário como um contador isolado, o estudo trata a cidade inteira como uma rede de pontos conectados, como uma teia de amigos em uma plataforma social. As leituras de cada sensor são influenciadas não apenas por vias próximas, mas também por padrões distantes e mutáveis, como fluxos de deslocamento, eventos e clima. Métodos tradicionais assumem relações simples e fixas ou focam apenas em trechos curtos do histórico, o que torna a previsão de longo prazo pouco confiável. Em contraste, o novo modelo foi projetado para aprender tanto como o tráfego se desloca pelo mapa quanto como ele evolui ao longo de períodos extensos, capturando horários de pico diários e também interrupções raras.

Misturando mapas fixos com padrões mutáveis

O primeiro bloco de construção do sistema proposto foca no espaço: onde as vias e os sensores estão localizados e como eles se influenciam mutuamente. O modelo parte da disposição física da rede viária, que fornece um esqueleto estável de quem está conectado a quem. Sobre isso, ele aprende uma camada adicional e flexível de conexões que pode mudar com os próprios dados, descobrindo relações ocultas, como vias que se comportam de forma semelhante mesmo sem serem fisicamente adjacentes. Um truque inteligente de compartilhamento de parâmetros permite que cada sensor desenvolva seu próprio padrão de comportamento sem explodir o número de parâmetros do modelo, mantendo o sistema suficientemente compacto para implantação no mundo real.

Transformando o tempo em sinais compactos

O próximo desafio é o tempo: as medições de tráfego chegam a cada poucos minutos, criando sequências longas para cada sensor. Muitos modelos populares de deep learning, como redes recorrentes e Transformers, lidam com isso percorrendo cada ponto temporal ou comparando todos os pontos entre si. Essa abordagem fica lenta e consome muita memória à medida que as sequências se estendem. Aqui, os autores usam uma ideia diferente. Para cada sensor, eles comprimem todo o histórico recente em um único “token” denso, um resumo numérico que preserva a tendência geral e as variações. Esses tokens alimentam o núcleo do modelo, onde espaço e tempo são tratados conjuntamente.

Ouvindo o tráfego no mundo da frequência

No cerne do arcabouço está um componente chamado Operador Neural de Fourier em Grafos (Graph Fourier Neural Operator). Em vez de examinar os valores brutos de tráfego diretamente, ele transforma os sinais em rede em uma espécie de espaço de frequências, análogo a separar uma peça musical em graves, médios e agudos. Nesta visão transformada, padrões repetitivos de horário de pico e mudanças de fundo mais lentas tornam-se mais fáceis de isolar e ajustar. O modelo aprende quais frequências enfatizar ou atenuar e então reconverte os sinais de volta para a rede viária, combinando essa visão global com um caminho local mais simples. Esse desenho captura dependências de longo alcance em nível de cidade, mantendo o custo computacional aproximadamente proporcional ao comprimento do histórico de entrada, em vez de crescer de forma explosiva com ele.

Comprovando precisão e eficiência em dados reais

Para testar a abordagem, os pesquisadores a avaliaram em quatro conjuntos de dados padrão de rodovias do sistema de monitoramento de tráfego da Califórnia. Compararam seu arcabouço com uma ampla gama de competidores fortes, incluindo arquiteturas Transformer recentes, modelos de espaço de estado como o Mamba e outros preditores de tráfego baseados em grafos. Em diferentes horizontes de previsão — de curto prazo (cerca de uma hora) até janelas muito mais longas — o novo modelo produziu consistentemente erros menores. Também usou menos parâmetros e menos memória, e treinou mais rápido do que bases que exigem muita atenção ou processamento estritamente sequencial. Estudos cuidadosos de ablação e sensibilidade mostraram que cada parte do desenho — o módulo híbrido de grafo, o passo de sequência-como-token e o operador espectral — contribui de forma significativa para esse desempenho.

O que isso significa para o deslocamento cotidiano

Em termos práticos, o estudo mostra que é possível construir sistemas de previsão de tráfego que enxerguem mais adiante sem exigir recursos computacionais enormes. Ao entrelaçar conhecimento do mapa viário, padrões observados nos dados e uma visão do tempo baseada em frequência, o arcabouço proposto oferece previsões de longo prazo mais estáveis e precisas do que muitas alternativas de ponta. Para planejadores urbanos e sistemas inteligentes de transporte, isso pode se traduzir em melhor temporização de sinais, roteamento mais inteligente e respostas mais resilientes a acidentes e eventos especiais — aproximando-nos de cidades onde o tráfego é gerido de forma proativa em vez de reativa.

Citação: Hosseini, SM., Rahmatinia, S.M. & Hosseini-Seno, SA. Integrated spatio-temporal modeling with hybrid graph convolutions and the graph fourier neural operator for traffic prediction. Sci Rep 16, 12945 (2026). https://doi.org/10.1038/s41598-026-38563-y

Palavras-chave: previsão de tráfego, redes neurais em grafos, cidades inteligentes, modelagem espaço-temporal, operador neural de Fourier