Исследование прогнозирования дорожного движения с помощью прогрессивных графовых свёрточных сетей на основе пространственно-временного механизма самовнимания

Почему важны более умные прогнозы трафика

Пробки в часы пик кажутся непредсказуемыми, но города зависят от их прогнозирования для управления заторами, настройки сигналов и ориентации водителей. В этом исследовании представлен новый подход к прогнозированию трафика, который адаптируется в реальном времени по мере изменения условий, с целью повысить точность предсказаний на горизонты от нескольких минут до часа. Обучаясь тому, как разные участки дорожной сети влияют друг на друга во времени, метод обещает более плавные поездки, лучшее использование имеющихся дорог и более надёжное планирование поездок.

Изменяющиеся модели трафика по всему городу

Движение далеко не случайно. Оно проявляет повторяющиеся суточные и недельные ритмы — например утренние и вечерние часы пик — наложенные на неожиданности, вызванные погодой, авариями, школьными расписаниями и массовыми событиями. Традиционные инструменты прогнозирования часто предполагают, что эти закономерности достаточно просты и стабильны, поэтому им трудно справляться с хаотичной реальностью большого города. Они могут охватывать либо временное измерение (как трафик меняется в конкретной точке), либо пространственное (как соседние дороги влияют друг на друга), но редко оба сразу гибким образом. В результате их точность быстро падает при попытке прогнозировать дальше, чем на несколько минут вперёд.

От фиксированных карт к живым дорожным сетям

Недавние достижения в области искусственного интеллекта используют представление дорожной сети в виде графа: каждый датчик на шоссе — это узел, а дороги, связывающие их, — рёбра. Ранние системы во время обучения оценивают силу влияния каждой дороги на соседние и затем фиксируют эти связи при реальном применении. Авторы утверждают, что это серьёзное ограничение. В реальной жизни две дороги могут вести себя схоже в время школьного развоза, но расходиться вечером, или удалённые маршруты могут двигаться синхронно, когда крупное происшествие перенаправляет поток. Фиксированная карта влияний не успевает за такими меняющимися шаблонами, что приводит к рассинхронизации между тем, чему модель научилась ранее, и тем, с чем она сталкивается сейчас.

Модель, которая адаптируется по ходу движения

Предлагаемая модель PGCN-STSA рассматривает дорожную сеть как живую систему, чьи внутренние связи могут изменяться со временем. Вместо того чтобы опираться только на физическое расстояние или статическую карту, она постоянно оценивает, насколько похожо ведут себя в последние моменты каждая пара датчиков. Если в двух точках наблюдаются совпадающие подъёмы и падения скорости, модель укрепляет связь между ними; если их паттерны расходятся, эта связь ослабевает. Такой «прогрессивный» граф обновляется с использованием свежих данных, поэтому представление сети в модели развивается вместе с реальным трафиком. Дополнительно специальный механизм внимания помогает системе сосредоточиться на наиболее релевантных временах и местах, а тщательно продуманный свёрточный шаг позволяет учитывать более далеко прошедшее без существенного роста вычислительной сложности или замедления.

Тестирование на реальных шоссе

Чтобы проверить, действительно ли этот адаптивный подход помогает, исследователи протестировали его на двух известных наборах данных шоссе из Лос-Анджелеса и района залива Сан-Франциско. В обоих случаях сотни придорожных датчиков регистрировали скорость транспортных средств каждые пять минут в течение нескольких месяцев. Новой модели было предложено прогнозировать трафик на 15, 30 и 60 минут вперёд и сравнить с широким спектром существующих методов — от классической статистики до современных систем глубокого обучения. Почти во всех настройках адаптивная модель показала меньшие ошибки. Хотя процентные улучшения могут выглядеть скромно, в контексте уже сильных эталонов они свидетельствуют о значимом выигрыше в точности и стабильности, особенно на более длительных горизонтах прогнозирования, где ошибки обычно быстро растут.

Что это значит для повседневных поездок

Для обычного путешественника технические подробности сводятся к простой выгоде: лучшие предположения о том, как будет развиваться трафик в ближайший час. Система, построенная на такой модели, сможет быстрее реагировать на закрытия полос, смены школьного расписания или изменения привычек поездок, улучшая навигационные приложения, управление сигналами и инструменты планирования. Работа также подчёркивает более общую идею в науке о данных: вместо предположения о фиксированности отношений в сложной системе иногда эффективнее позволить модели непрерывно переобучаться тому, как разные части влияют друг на друга. По мере того как города становятся более связанными и насыщенными данными, такие адаптивные инструменты прогнозирования могут стать ключевыми для поддержания эффективного движения людей и грузов.

Цитирование: Liu, C., Kou, Y., Wang, S. et al. Research on traffic flow prediction of progressive graph convolutional networks based on spatio-temporal self-attention mechanism. Sci Rep 16, 14112 (2026). https://doi.org/10.1038/s41598-026-44004-7

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