Обучение взаимодействию мета-параметров с учётом пространственно-временной гетерогенности для прогнозирования транспортных потоков

Почему важны более точные прогнозы трафика

Тот, кто оказывался в неожиданной пробке, знает: дороги не ведут себя просто и предсказуемо. Загруженность может меняться от квартала к кварталу и от минуты к минуте, и даже один и тот же участок дороги сильно отличается в будний утренний час по сравнению с ночным временем в праздники. В этом исследовании предложена новая система искусственного интеллекта под названием SHAMPIL, разработанная для более точного понимания таких меняющихся закономерностей, чтобы будущие приложения для трафика, городские планировщики и даже автономные транспортные средства могли принимать лучшие решения в реальном времени.

Разные дороги — разные ритмы

Традиционные модели трафика часто предполагают, что все части дорожной сети следуют схожим временным паттернам. На практике каждый датчик или участок дороги имеет собственный ритм. Одна съездная полоса на шоссе может испытывать резкие пиковые нагрузки в часы пик, тогда как соседний пригородный участок течёт плавно с мягкими пиками в другое время. Авторы называют это разнообразие во времени и пространстве «пространственно-временной гетерогенностью». На реальных данных из калифорнийской системы дорожных датчиков они показывают, как два близких датчика могут регистрировать совершенно разные кривые трафика с различными средними объёмами, волатильностью и часами пиков. Игнорирование этих различий приводит к слишком грубым прогнозам, которые не учитывают локальные всплески или спад, с которыми сталкиваются водители.

Обучение модели распознавать контекст

SHAMPIL решает эту проблему, сначала обучая модель распознавать контекст без опоры на внешнюю информацию вроде карт или данных о землепользовании. Она вырабатывает «временной отпечаток», кодирующий время суток и день недели для прогнозирования, фиксируя регулярные циклы, такие как утренние и вечерние часы пик или замедления по выходным. Одновременно модель учится «местному отпечатку» для каждого датчика в сети, отражающему, как ведёт себя это место по сравнению с другими. Эти обученные отпечатки позволяют системе молча группировать похожие времена и места и различать, например, загруженное городское пересечение и тихую внешнюю кольцевую дорогу, даже если они находятся недалеко друг от друга.

Динамическая адаптация внутренних правил

Большинство систем прогнозирования используют один фиксированный набор внутренних параметров для всех мест и времён. SHAMPIL вместо этого поддерживает компактный пул повторно используемых шаблонов параметров и использует выученные временные и местные отпечатки, чтобы смешивать их по-разному для каждой ситуации. По сути модель не только изучает паттерны трафика; она также учится перестраивать собственную конфигурацию для утренних понедельников и ночей воскресенья, для перегруженных узлов и стабильных участков. Механизм мета-параметров даёт SHAMPIL гибкость многих специализированных моделей при сохранении управляемых затрат памяти и вычислений, пригодных для больших дорожных сетей.

Видеть трафик как живую сеть

Трафик не движется изолированно: затор на одном шоссе может распространяться по съездам и близлежащим улицам. Чтобы отразить это, SHAMPIL включает модуль взаимодействия, который рассматривает дорожную систему как живую сеть с соединениями, меняющимися во времени. Он чередует взгляды вдоль временной оси, используя свёртки для захвата краткосрочных и долгосрочных трендов, и взгляды по пространству, применяя динамический граф, который связывает датчики, поведение которых в данный момент кажется взаимосвязанным. Выученная «библиотека паттернов трафика» помогает этому графу фокусироваться на устойчивых отношениях, в то время как другой компонент фиксирует мгновенные краткосрочные сходства. Путём многократного взаимодействия временных и пространственных представлений SHAMPIL строит более полную картину того, как заторы формируются, распространяются и рассеиваются по сети.

Что показывают тесты на реальных шоссе

Исследователи оценили SHAMPIL на четырёх эталонных наборах данных с калифорнийских шоссе, каждый из которых содержит месяцы измерений со сотен датчиков с интервалом выборки в пять минут. Они сравнили свой метод почти с 30 устоявшимися техниками — от классических статистических инструментов до современных графовых моделей глубокого обучения. По всем наборам данных и для всех горизонтов прогнозирования до часа вперёд SHAMPIL последовательно демонстрировал наименьшие ошибки. Особенно хорошо он показал себя на более сложных сетях, где условия трафика резко различаются во времени и пространстве. Визуальные сравнения показывают, что прогнозируемые им кривые тесно следуют за реальным трафиком, даже во время волатильных пиков, а статистический анализ выявляет не только более высокую точность, но и более стабильную работу с меньшим числом экстремальных ошибок.

Что это значит для повседневных поездок

Проще говоря, SHAMPIL показывает, что прогнозы трафика можно улучшить, признав, что каждое место и каждый момент времени уникальны — и позволив системе прогнозирования перестраиваться вокруг этих различий. Комбинируя контекстно-зависимую внутреннюю настройку с динамичным взглядом на взаимовлияние дорог, метод даёт более точные и надёжные предсказания на реальных дорожных данных. По мере того как такие подходы будут усовершенствоваться и внедряться, они смогут питать навигационные инструменты, лучше предсказывающие внезапные затруднения, поддерживать умное управление светофорами и помогать городским планировщикам проектировать дорожные сети, которые более гибко реагируют на повседневную жизнь и неожиданные события.

Цитирование: Liu, C., Xue, X., Wang, S. et al. Spatiotemporal heterogeneity-aware meta-parameter interaction learning for traffic flow forecasting. Sci Rep 16, 6997 (2026). https://doi.org/10.1038/s41598-026-36350-3

Ключевые слова: прогнозирование трафика, графовые нейронные сети, пространственно-временные паттерны, интеллектуальный транспорт, глубокое обучение