PGSFormer: прогнозирование дорожного трафика на основе совместной оптимизации прогрессивных графовых сверточных сетей с субсерийным трансформером

Почему важны более умные прогнозы трафика

Во многих городах пробки съедают время, топливо и деньги. По мере того как всё больше дорог оснащается датчиками, мы собираем огромные объёмы оперативных данных о перемещении автомобилей. Задача — превратить эти данные в надёжные краткосрочные и долгосрочные прогнозы, чтобы регулировать светофоры, предлагать маршруты и снижать заторы ещё до их появления. В этой работе представлен PGSFormer — новый метод прогнозирования, который стремится повысить точность, обучаясь тому, как взаимодействуют пространство (расположение дорог) и время (изменение паттернов) в реальном мире.

От простых усреднений к сложным закономерностям

Ранние инструменты прогнозирования трафика в основном опирались на простую статистику — например, исторические средние или модели, предполагающие регулярные повторяющиеся шаблоны. Эти подходы работают лишь тогда, когда данные ведут себя стабильно, почти линейно — чего в реальности с трафиком почти не бывает. Заторы могут возникать внезапно, распространяться непредсказуемо по городу и зависеть от множества факторов: времени суток, дня недели или происшествий поблизости. Позже методы глубокого обучения начали использовать дорожные сети в виде графов, где каждый датчик — узел, а дорожные связи — рёбра. Такие графовые модели повысили точность, поскольку учитывают, что события на одной дороге сильно влияют на соседние. Тем не менее большинство из них по‑прежнему рассматривают дорожные связи как фиксированные, игнорируя то, что отношения между дорогами могут меняться со временем.

Фиксация живой, меняющейся дорожной сети

PGSFormer основан на идее, что сеть городского трафика не статична; она ближе к живой системе, чьи внутренние связи сдвигаются из момента в момент. Вместо того чтобы опираться только на физическую конфигурацию дорог, метод строит так называемый прогрессивный граф. В этом графе сила связи между двумя датчиками определяется похожестью их недавних динамик трафика, а не только расстоянием на карте. Например, школьный район и близкий офисный квартал могут вести себя похоже в утренний час пик, но сильно различаться во второй половине дня. PGSFormer постоянно обновляет такие связи как при обучении, так и при тестировании, чтобы модель могла реагировать на свежие данные, а не оставаться привязанной к давно усвоенным шаблонам.

Заглядывая глубоко во временные ряды, но не теряясь

Ещё одна проблема в прогнозировании трафика — работа с длинными временными рядами. Данные трафика часто содержат несколько перекрывающихся циклов — дневные часы пик, недельные рабочие паттерны и даже сезонные изменения. Стандартные методы могут чрезмерно ориентироваться на недавнее прошлое и упускать более медленные тренды, что вредит дальним прогнозам. PGSFormer решает это, сочетая две идеи. Во‑первых, он использует специальный тип временной свёртки, который способен охватывать далёкое прошлое без чрезмерной глубины сети, помогая захватывать как быстрые колебания, так и более широкие тренды. Во‑вторых, он разбивает длинные истории на короткие подпоследовательности и подаёт их в трансформер — мощную архитектуру, изначально разработанную для языка — при этом скрывая часть этих подпоследовательностей и ставя задачу их восстановить. Эта задача «маскированных субсерий» учит систему понимать более широкий контекст вместо простого запоминания отдельных точек данных.

Тестирование на реальных данных о трафике

Чтобы оценить практическую эффективность PGSFormer, авторы протестировали его на четырёх больших реальных наборах данных из Калифорнии, охватывающих сотни дорожных датчиков в Лос‑Анджелесе и районе залива Сан‑Франциско, а также ещё двух шоссейных сетях. Они сравнили свой метод с широким кругом конкурентов — от классических моделей, таких как ARIMA, до современных систем глубокого обучения, использующих графовые сети, рекуррентные сети и дизайны на основе трансформеров. По всем наборам данных и для разных горизонтов прогнозирования — 15, 30 и 60 минут вперёд — PGSFormer стабильно показывал меньшие ошибки. Особенно он выделялся на более дальних горизонтах, где многие модели склонны терять точность. Дополнительные эксперименты с поэтапным удалением компонентов показали, что и прогрессивный граф, и трансформер с маскированными подпоследовательностями критически важны для его успешности.

Что это значит для повседневных поездок

Для неспециалистов ключевой вывод таков: PGSFormer предлагает более реалистичный подход к моделированию городского трафика. Вместо предположения, что дороги всегда влияют лишь на ближайших соседей или что паттерны никогс меняются, он постоянно узнаёт, какие районы сейчас ведут себя схоже, и использует это знание для более дальних прогнозов. В тестах на реальных данных автомагистралей такой подход дал более точные и стабильные прогнозы по сравнению со многими существующими методами. При интеграции в центры управления трафиком, навигационные приложения или инструменты планирования общественного транспорта такие модели могут помочь сократить заторы, уменьшить время в пути и эффективнее использовать существующую дорожную инфраструктуру без прокладки ни одного нового километра асфальта.

Цитирование: 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

Ключевые слова: прогнозирование дорожного трафика, графовые нейронные сети, модели трансформеров, умный транспорт, пространственно-временные данные