PGSFormer: trafikflödesprognoser baserade på gemensam optimering av progressiva grafkonvolutionella nätverk med delserie-transformer

Varför smartare trafikprognoser är viktiga

Städer överallt brottas med trafikstockningar som slösar bort tid, bränsle och pengar. När fler vägar utrustas med sensorer samlar vi nu in stora mängder realtidsdata om hur fordon rör sig. Utmaningen är att omvandla dessa data till tillförlitliga kort- och långsiktiga prognoser så att trafikljus kan justeras, rutter föreslås och trängsel kan minskas innan den ens uppstår. Denna artikel presenterar PGSFormer, en ny prognosmetod som syftar till att förutsäga trafik mer noggrant genom att lära sig hur både rum (var vägarna är) och tid (hur mönstren förändras) samverkar i verkligheten.

Från enkla medelvärden till komplexa mönster

Tidiga verktyg för trafikprognoser förlitade sig mest på enkla statistiska metoder, såsom historiskt medelvärde eller modeller som antar regelbundna, återkommande mönster. Dessa tillvägagångssätt fungerar endast när data beter sig stabilt och nästan linjärt — vilket verklig trafik sällan gör. Köbildning kan uppstå plötsligt, sprida sig oförutsägbart genom en stad och påverkas av många faktorer som tid på dygnet, veckodag eller närliggande incidenter. Senare började djupa inlärningsmetoder använda väg­nätverk som grafer, där varje sensor är en nod och varje vägförbindelse är en kant. Dessa grafbaserade modeller förbättrade noggrannheten genom att förstå att vad som händer på en väg starkt påverkar dess grannar. Ändå behandlar de flesta fortfarande vägförbindelserna som fasta och bortser från att relationerna mellan vägar kan förändras över tid.

Att fånga ett levande, föränderligt vägnät

PGSFormer bygger på idén att en stads trafiknät inte är statiskt; det beter sig mer som ett levande system vars inre kopplingar skiftar från ögonblick till ögonblick. Istället för att enbart förlita sig på vägarnas fysiska utformning konstruerar metoden vad författarna kallar en progressiv graf. I denna graf baseras styrkan i samband mellan två sensorer på hur lika deras senaste trafiktrender är, inte bara hur nära de ligger på kartan. Till exempel kan en skolzon och ett närliggande kontorsområde likna varandra under morgonrusningen men skilja sig kraftigt på eftermiddagen. PGSFormer uppdaterar kontinuerligt dessa kopplingar både under träning och testning, så modellen kan reagera på färska data istället för att vara bunden till mönster som lärts in långt tidigare.

Att se djupt i tiden utan att gå vilse

En annan utmaning i trafikprognoser är att hantera långa tidsserier. Trafikdata visar ofta flera överlappande cykler — dagliga rusningstider, veckovisa arbetsmönster och till och med säsongsvariationer. Standardmetoder kan fokusera för mycket på den senaste historiken och missa långsammare trender, vilket skadar långtidsprognoser. PGSFormer hanterar detta genom att kombinera två idéer. För det första använder den en särskild typ av temporal konvolution som kan se långt bak i tiden utan att kräva ett extremt djupt nätverk, vilket hjälper den att fånga både snabba svängningar och bredare trender. För det andra delar den långa historiker i kortare delsekvenser och matar in dem i en Transformer — en kraftfull arkitektur ursprungligen utvecklad för språk — samtidigt som en del av dessa delsekvenser maskeras och modellen ombeds rekonstruera dem. Denna "maskerade delserie"-uppgift lär systemet att förstå ett bredare sammanhang istället för att memorera enskilda datapunkter.

Testning mot verklig trafik

För att undersöka hur väl PGSFormer fungerar i praktiken testade författarna den på fyra stora, verkliga dataset från Kalifornien, som täcker hundratals vägsensorer i Los Angeles och San Francisco Bay Area samt två andra motorvägsnät. De jämförde sin metod mot ett brett spektrum av konkurrenter, från klassiska modeller som ARIMA till moderna djupinlärningssystem som använder grafnätverk, rekurrenta nätverk och Transformer-baserade konstruktioner. Över alla dataset och för olika prediktionshorisonter — 15, 30 och 60 minuter framåt — levererade PGSFormer konsekvent lägre fel. Den var särskilt stark på längre horisonter, där många modeller tenderar att driva bort från verkligheten. Ytterligare experiment där enskilda delar av systemet togs bort visade att både den progressiva grafen och den maskerade delsekvens-Transformern är avgörande för dess framgång.

Vad detta betyder för vardagsresor

För icke-specialister är huvudslutsatsen att PGSFormer representerar ett mer realistiskt sätt att tänka kring stads trafik. Istället för att anta att vägar alltid bara påverkar sina omedelbara grannar, eller att mönster aldrig förändras, lär den sig kontinuerligt vilka områden som beter sig likartat just nu och använder den kunskapen för att se längre in i framtiden. I tester med verkliga motorvägsdata producerade denna metod mer exakta och stabila prognoser än många befintliga metoder. Om den integreras i trafikstyrningscentraler, navigationsappar eller verktyg för kollektivtrafikplanering skulle sådana modeller kunna hjälpa till att minska trängsel, förkorta pendlingstider och göra bättre användning av befintlig väginfrastruktur utan att lägga en enda ny mil asfalt.

Citering: Chen, L. PGSFormer: traffic flow prediction based on joint optimization of progressive graph convolutional networks with subseries transformer. Sci Rep 16, 7200 (2026). https://doi.org/10.1038/s41598-026-35643-x

Nyckelord: trafikflödesprognos, grafneurala nätverk, transformermodeller, smart kollektivtrafik, rumtidsdata