Федеративное пространственно-временное прогнозирование трафика с усиленным VMD графовым вниманием и LSTM

Почему предсказание городского трафика действительно важно

Каждый, кто когда‑либо застревал в пробке, знает, насколько непредсказуемым может казаться передвижение по городу. В то же время планировщики, операторы транспорта и навигационные сервисы опираются на вычислительные модели, которые пытаются предсказать, сколько велосипедов, такси или автомобилей будет на той или иной улице в ближайшие минуты или часы. В этой статье рассматривается новый подход к повышению точности таких прогнозов при одновременном сохранении конфиденциальности данных о поездках — с помощью сочетания изощрённой очистки сигналов, сетевого моделирования и совместного обучения между городами.

Проблема шумных и приватных данных о трафике

Городские транспортные закономерности чрезвычайно неравномерны. Утренние часы пик, внезапные грозы, аварии, ремонт дорог и крупные мероприятия вызывают скачки спроса, которые меняются от места к месту и от дня к дню. Традиционные инструменты прогноза предполагают относительную регулярность поведения во времени, чего в трафике часто нет. В то же время множество организаций собирают детализированные данные о мобильности — от систем проката велосипедов до таксомоторных парков — но не могут или не хотят объединять сырые данные из‑за требований приватности, коммерческой конкуренции и соображений безопасности. Метод прогнозирования, способный справляться с этой разнородностью, учиться у множества партнёров и при этом сохранять исходные данные локальными, потому крайне востребован.

Разбиение сложных сигналов на более ясные составляющие

Первый компонент предлагаемой системы — шаг очистки сигнала, называемый вариационной модальной декомпозицией (VMD), который можно представить как интеллектуальный фильтр, разбивающий шумную кривую трафика на несколько более простых волн и остаток. Одна волна может отражать медленные суточные циклы, другая — недельные ритмы, а остальные — быстрые, рваные всплески спроса. Позволяя модели рассматривать каждую из этих составляющих отдельно, метод уменьшает взаимное мешание долгосрочных трендов и кратковременных пиков, что облегчает распознавание паттернов. Эта декомпозиция выполняется независимо на машине каждого партнёра, поэтому исходные записи о поездках никогда не покидают организацию их владельца.

Обучение модели отслеживать паттерны во времени и пространстве

После того как сигнал трафика разделён на более чистые составляющие, он поступает в глубокую нейросетевую основу, предназначенную для отслеживания того, как спрос развивается во времени и как он распространяется по городской карте. Модуль LSTM (долгосрочная краткосрочная память) выступает в роли выборочной памяти, решая, какие прошлые изменения стоит запомнить, а какие — отбросить. Многоголовочное внимание затем фокусирует модель на наиболее информативных моментах недавнего прошлого, например на резких подъёмах перед часами пик или внезапных спадах после окончания шторма. Параллельно графовый компонент рассматривает каждую станцию или зону как узел в сети и учится тому, как изменения в одной области распространяются на другие, не опираясь на фиксированную карту дорог. Вместе эти блоки образуют гибкий механизм, способный улавливать меняющиеся взаимосвязи во времени и пространстве.

Обмен знаниями между городами без передачи поездок

Вторая ключевая идея — позволить множеству владельцев данных обучать общую модель прогнозирования, не передавая при этом свои исходные записи на центральный сервер. Вместо этого каждый клиент — например система проката велосипедов в одном районе или таксопарк в другом — обучает модель локально и отправляет на центральный координатор только обновлённые параметры модели. Сервер смешивает эти обновления в новую глобальную модель и возвращает её назад. На стороне клиента выполняется проверка валидации по модулям: клиент оценивает, действительно ли глобальные изменения улучшают результаты на его собственных данных. Если нет, клиент сохраняет свою локальную версию для соответствующей части модели. Такая избирательная приёмка позволяет каждому участнику извлекать выгоду из коллективного опыта, одновременно адаптируя систему к своим уникальным паттернам.

Что показывают эксперименты на реальных данных

Чтобы оценить эффективность подхода, авторы протестировали его на двух больших реальных наборах данных: поездках на велосипедах в Нью‑Йорке и поездках на такси в Чикаго, агрегированных по часам и локациям. Они сравнили свою систему с широким набором существующих глубоких и графовых моделей, как в традиционной централизованной тренировке, так и в федеративных конфигурациях с сохранением приватности. Во всех случаях федеративная модель с VMD заметно снизила средние ошибки прогнозов — примерно на четверть до двух пятых по сравнению с сильным базовым решением — и при этом стабильно сходилась даже при сильно различающихся паттернах у разных клиентов. Результаты указывают на то, что разбиение сигналов на несколько частотных компонент и возможность каждому клиенту выборочно принимать общие обновления важны для достижения стабильной точности.

Вывод: более точные и приватные прогнозы трафика

Проще говоря, работа демонстрирует, что прогнозы трафика могут стать и точнее, и более уважительными к приватности при объединении трёх идей: разбиения кривых спроса на простые волны, моделирования того, как движение распространяется по городской сети во времени, и сотрудничества множества владельцев данных без раскрытия сырых логов. Предложенная структура последовательно превосходит предыдущие методы по точности и надёжности, что даёт надежду на будущее, в котором муниципальные службы, операторы мобильности и даже подключённые транспортные средства смогут совместно обучать мощные инструменты прогнозирования, сохраняя при этом конфиденциальность деталей поездок.

Цитирование: 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

Ключевые слова: прогнозирование трафика, федеративное обучение, городская мобильность, графовые нейронные сети, временные ряды