Интегрированное пространственно-временное моделирование с гибридными графовыми свертками и графовым фурье‑нейронным оператором для прогнозирования трафика

Почему важно предсказывать трафик заранее

Тот, кто когда‑либо оказывался в внезапной пробке, знает: современные навигационные приложения в основном реагируют задним числом — они предупреждают, когда затор уже образовался. В этой работе исследуется, как заглядывать гораздо дальше в будущее — на десятки минут и часы — чтобы города и водители могли избежать коллапса до его начала. Авторы предлагают новую систему искусственного интеллекта, которая учится моделировать, как волны трафика распространяются по всей дорожной сети во времени, делая это более точно и эффективно, чем многие существующие подходы глубокого обучения.

Видеть дороги как живую сеть

Вместо того чтобы рассматривать каждый дорожный датчик как изолированный счетчик, исследование трактует весь город как сеть связанных точек, как сеть знакомых в социальной платформе. Показания каждого датчика зависят не только от близлежащих дорог, но и от более дальних и меняющихся паттернов — потоков поездок, мероприятий и погоды. Традиционные методы либо предполагают простые фиксированные связи, либо фокусируются лишь на коротких отрезках истории, что делает долгосрочные прогнозы ненадежными. Напротив, новая модель нацелена на изучение того, как трафик перемещается по карте и как он преобразуется в течение длительных периодов, захватывая и повседневные часы пик, и редкие нарушения.

Смешение фиксированных карт с меняющимися паттернами

Первый строительный блок предлагаемой системы сосредоточен на пространстве: где расположены дороги и датчики и как они влияют друг на друга. Модель стартует с физической топологии дорожной сети, которая дает стабильный скелет связей. Поверх этого она обучает дополнительный, гибкий слой связей, способный изменяться в зависимости от данных, обнаруживая скрытые взаимосвязи — например, дороги, которые ведут себя похоже, даже если они не соседствуют физически. Хитрый прием с разделением параметров позволяет каждому датчику формировать собственный шаблон поведения без взрывного роста числа параметров модели, поэтому система остается компактной и пригодной для реального использования.

Преобразование времени в компактные сигналы

Следующая задача — время: измерения трафика поступают каждые несколько минут, создавая длинные последовательности для каждого датчика. Многие популярные модели глубокого обучения, такие как рекуррентные сети и трансформеры, обрабатывают это, пошагово проходя по каждому моменту времени или сравнивая все моменты между собой. Такой подход становится медленным и требовательным к памяти по мере увеличения длины последовательностей. В этой работе авторы применяют иной прием. Для каждого датчика они сжимают всю недавнюю историю в один плотный «токен» — числовую сводку, сохраняющую общую тенденцию и вариации. Эти токены поступают в ядро модели, где пространство и время обрабатываются совместно.

Слушая трафик в частотном мире

В основе фреймворка лежит компонент, названный Графовым Фурье‑Нейронным Оператором. Вместо прямого анализа сырых значений трафика он преобразует сигналы по всей сети в некую частотную область, по аналогии с разложением музыкального произведения на басы, середину и высокие частоты. В этой преобразованной перспективе повторяющиеся паттерны часов пик и более медленные фоновые изменения легче выделить и скорректировать. Модель учится, какие частоты усиливать или ослаблять, а затем преобразует сигналы обратно в пространство дорожной сети, комбинируя этот глобальный взгляд с более простым локальным путем. Такая конструкция улавливает дальнодействующие, охватывающие весь город зависимости при том, что вычислительная стоимость растет примерно пропорционально длине входной истории, а не экспоненциально с ней.

Доказательство точности и эффективности на реальных данных

Чтобы проверить подход, исследователи оценили его на четырех стандартных наборах данных автомагистралей из системы мониторинга трафика Калифорнии. Они сравнили свой фреймворк с широким кругом сильных конкурентов, включая современные архитектуры трансформеров, модели в пространстве состояний, такие как Mamba, и другие графовые предикторы трафика. На разных горизонтах прогнозирования — от краткосрочных (около часа) до значительно более длительных — новая модель последовательно давала меньшие ошибки. Она также использовала меньше параметров и памяти и обучалась быстрее, чем модели с тяжелым вниманием или строгой последовательной обработкой. Тщательные исследования абляций и чувствительности показали, что каждый элемент конструкции — гибридный графовый модуль, шаг «последовательность как токен» и спектральный оператор — вносит существенный вклад в это качество.

Что это значит для повседневных поездок

Практически это исследование демонстрирует возможность создания систем прогнозирования трафика, которые заглядывают дальше без требований к огромным вычислительным ресурсам. Объединив знание карты дорог, наблюдаемые паттерны данных и частотно‑ориентированный взгляд на время, предложенный фреймворк предлагает более стабильные и точные долгосрочные прогнозы, чем многие современные альтернативы. Для городских планировщиков и интеллектуальных транспортных систем это может означать лучшее синхронизирование сигналов, умное прокладывание маршрутов и более устойчивые реакции на аварии и массовые мероприятия — приближая нас к городам, где трафик управляется проактивно, а не реактивно.

Цитирование: 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

Ключевые слова: прогнозирование трафика, графовые нейронные сети, умные города, пространственно‑временное моделирование, Фурье‑нейронный оператор