Пространственно-временное разделённое интерактивное обучение для прогнозирования транспортных потоков

Почему важны более точные прогнозы трафика

Каждая поездка формируется множеством постоянно меняющихся решений: когда переключаются светофоры, какие маршруты выбирают водители и где внезапно возникают пробки. За кулисами города всё чаще полагаются на компьютерные модели, прогнозирующие трафик на несколько минут или часов вперёд — чтобы корректировать сигналы, управлять инцидентами и подсказывать навигационным приложениям. В этой работе предложен новый подход, делающий такие краткосрочные прогнозы более точными и надёжными, особенно в сложных городских сетях, где характер движения отличается по районам и меняется в течение дней, недель и сезонов.

Трафик — это не универсальная модель на все случаи

Городское движение — это одновременно история места и история времени. Тихая пригородная улица и оживлённая городская магистраль ведут себя по-разному, а волны «часа пик» прокатываются по городу в ежедневных и еженедельных циклах. Традиционные инструменты прогнозирования часто сглаживают эти различия или предполагают, что связи между дорогами остаются постоянными. На самом деле удалённые участки дороги могут вдруг начать вести себя синхронно, например, после окончания массового мероприятия, а текущее показание датчика может сильнее зависеть от условий часовой давности, чем от последних пяти минут. Авторы утверждают, что для надёжных прогнозов важно учитывать этот сложный набор локальных особенностей, дальнодействующих связей и многодневных ритмов — и что существующие модели, включая многие глубокие нейросети, пока с этим не справляются в полной мере.

Разделение пространства и времени для более ясного вида

Чтобы решить эту задачу, исследователи предложили архитектуру, которую называют Spatiotemporal-Decoupled Interactive Learning (STDIL). Центральная идея — сначала разъединить аспекты «где» и «когда» в данных о трафике, чтобы изучить каждый из них в глубину, а затем снова объединить. Длинные истории показаний датчиков — от одного до семи дней — подаются в два реконструкционных задания. В одном сознательно скрываются целые сегменты дорог, и модель вынуждена восстанавливать их пропущенные истории по данным с других участков. В другом скрываются фрагменты времени, и модель должна заполнить пробелы, опираясь на соседние моменты. Практикуя эти две игры в прятки, система усваивает более насыщенные «подписи» того, как ведут себя разные места и как трафик развивается в масштабе минут, часов и дней.

Позволить дорожной сети самой перестраивать связи

Кроме того, что STDIL понимает пространство и время по отдельности, он учится выявлять, как дороги влияют друг на друга, гибко и на основе данных. Вместо того чтобы фиксировать дорожную сеть как статичную карту связей, модель непрерывно корректирует внутренний «граф» отношений по мере поступления новых данных. Она стартует от физической схемы магистралей и затем добавляет изученные связи, которые могут объединять удалённые датчики, часто одновременно демонстрирующие рост или спад интенсивности. Специальные слои для обработки графов распространяют информацию вдоль этих изменяющихся связей, захватывая как локальные эффекты — например, очереди, тянущиеся по коридору, — так и широкомасштабные воздействия, такие как замедления по всему городу после шторма. Эта интерактивная структура организована в древовидной манере, так что краткосрочные волны и долгосрочные тренды усиливают друг друга, а не конкурируют.

Обучение на реальных магистралях и проверка результата

Авторы опробовали STDIL на четырёх больших наборах данных автомагистралей из California Performance Measurement System, где непрерывно фиксируются условия движения сотнями датчиков. Они сравнили свой метод с широким спектром эталонов — от классических статистических инструментов до современных нейросетей, уже использующих графы и механизмы внимания. По всем наборам данных и по всем горизонтам прогнозирования до часа вперёд STDIL показал меньшие ошибки по сравнению с конкурирующими подходами. Примечательно, что его точность гораздо медленнее ухудшается по мере увеличения окна прогнозирования, что указывает на то, что его архитектура действительно помогает удерживать полезную долгосрочную информацию. Дополнительные эксперименты показали, что удаление любой из ключевых составляющих — пространственного маскирования, временного маскирования или динамического взаимодействия графа — ухудшает результаты, подтверждая вклад каждой части в общий эффект.

Что это означает для повседневных поездок

На практике STDIL показывает: прогнозы трафика улучшаются, когда модели могут индивидуально относиться к каждому сегменту дороги и к каждому временному масштабу, а сеть взаимодействий между дорогами может адаптироваться по мере изменения условий. Для путешественников это может означать маршруты, которые лучше предвосхищают внезапные замедления и восстановление движения, а не просто экстраполируют последние несколько минут. Для городских служб более устойчивые прогнозы дают планы регулирования и стратегии управления, выдерживающие необычные события, а не только типичные рабочие дни. Хотя авторы сосредоточились на данных автомагистралей, те же идеи могут быть применены к городским улицам и к другим системам, где важны пространство, время и взаимодействие — от общественного транспорта до энергетических сетей — открывая путь к более интеллектуальной и отзывчивой городской инфраструктуре.

Цитирование: Chen, L., Wu, Q. Spatiotemporal-decoupled interactive learning for traffic flow prediction. Sci Rep 16, 9050 (2026). https://doi.org/10.1038/s41598-026-38244-w

Ключевые слова: прогнозирование дорожного движения, графовые нейронные сети, городская мобильность, прогнозирование временных рядов, интеллектуальные транспортные системы