PGSFormer: alt dizilişimli graf konvolüsyon ağları ile alt seriler transformer’ının ortak optimizasyonuna dayalı trafik akışı tahmini

Daha Akıllı Trafik Tahminlerinin Neden Önemi Var

Şehirler her yerde zaman, yakıt ve para kaybettiren trafik sıkışıklıklarıyla mücadele ediyor. Daha fazla yol sensörlerle donatıldıkça, araçların nasıl hareket ettiğine dair gerçek zamanlı büyük veri kümeleri toplanıyor. Zorluk, bu verileri güvenilir kısa ve uzun vadeli tahminlere dönüştürmek; böylece trafik ışıkları ayarlanabilir, rotalar önerilebilir ve yoğunluk oluşmadan önce azaltılabilir. Bu makale, hem mekân (yolların nerede olduğu) hem de zaman (desenlerin nasıl değiştiği) etkileşimlerini gerçek dünyada nasıl birlikte öğrendiğini modelleyerek trafik tahminlerini daha doğru hale getirmeyi amaçlayan yeni bir yöntem olan PGSFormer’ı tanıtıyor.

Basit Ortalamalardan Karmaşık Desenlere

Erken dönem trafik tahmin araçları çoğunlukla tarihsel ortalamayı almak veya düzenli, tekrarlayan desenler varsayan modellere dayanıyordu. Bu yaklaşımlar, veri durağan ve neredeyse doğrusal davrandığında işe yarar ki gerçek trafik nadiren böyledir. Yoğunluk aniden ortaya çıkabilir, şehir genelinde öngörülemez şekilde yayılabilir ve günün saati, haftanın günü veya yakındaki olaylar gibi birçok etkenden etkilenebilir. Sonraları derin öğrenme yöntemleri her sensörü bir düğüm, yol bağlantılarını da kenar olarak kabul eden grafikler halinde yol ağlarını kullanmaya başladı. Bu graf tabanlı modeller, bir yoldaki olayların komşularını güçlü şekilde etkilediğini fark ederek doğruluğu artırdı. Yine de çoğunun yol bağlantılarını sabit kabul ederek, yollar arasındaki ilişkilerin zamanla değişebileceğini göz ardı ettiği görüldü.

Canlı, Değişen Bir Yol Ağını Yakalamak

PGSFormer, bir şehrin trafik ağının statik olmadığı; iç bağlantılarının an be an değişen canlı bir sistem gibi davrandığı fikrine dayanır. Yolların fiziksel düzenine yalnızca dayanmak yerine, yazarların ilerleyici grafik (progressive graph) adını verdiği bir yapı kurar. Bu grafikte, iki sensör arasındaki bağlantı gücü yalnızca haritadaki yakınlıklarına değil, son trafik eğilimlerinin ne kadar benzer olduğuna göre belirlenir. Örneğin bir okul bölgesi ile yakınlardaki bir iş bölgesi sabah trafiğinde benzer davranırken öğleden sonra büyük ölçüde farklılaşabilir. PGSFormer bu bağlantıları hem eğitim hem de test aşamalarında sürekli günceller; böylece model uzun zaman önce öğrenilmiş desenlere bağlı kalmak yerine taze verilere tepki verebilir.

Kayıp Olmadan Zama İçine Derin Bakmak

Trafik tahminindeki bir diğer zorluk uzun zaman serileriyle başa çıkmaktır. Trafik verileri genellikle günlük yoğun saatler, haftalık çalışma düzenleri ve hatta mevsimsel değişimler gibi üst üste binen birkaç döngü gösterir. Standart yöntemler fazla odaklanarak yakın geçmişi abartabilir ve daha yavaş ilerleyen trendleri kaçırarak uzun vadeli tahminleri zayıflatabilir. PGSFormer bunu iki fikri birleştirerek ele alır. Birincisi, çok derin bir ağa ihtiyaç duymadan geçmişe geniş bir bakış sunabilen özel bir zamansal konvolüsyon türü kullanır; bu sayede hem hızlı dalgalanmaları hem de geniş trendleri yakalayabilir. İkincisi, uzun geçmişleri daha kısa alt dizilere böler ve bunları bir Transformer’a—başlangıçta dil için tasarlanmış güçlü bir mimari—verir; ayrıca bu alt dizilerin bir kısmını gizleyip modelden yeniden oluşturmasını ister. Bu "maskelenmiş alt dizi" görevi, sistemin tek tek veri noktalarını ezberlemek yerine daha geniş bağlamı anlamasını öğretir.

Gerçek Dünya Trafiği Üzerinde Test Etme

PGSFormer’ın pratikte ne kadar iyi çalıştığını görmek için yazarlar, Los Angeles ve San Francisco Körfez Bölgesi’ndeki yüzlerce yol sensörünü ve iki başka otoyol ağını kapsayan Kaliforniya’dan dört büyük, gerçek dünya veri kümesi üzerinde test ettiler. Yöntemlerini ARIMA gibi klasik modellerden grafik ağlar, tekrarlayan ağlar ve Transformer tabanlı tasarımlar kullanan modern derin öğrenme sistemlerine kadar geniş bir rekabetçi yöntem yelpazesiyle karşılaştırdılar. Tüm veri kümeleri ve farklı tahmin ufukları—15, 30 ve 60 dakika sonrası—için PGSFormer tutarlı şekilde daha düşük hatalar gösterdi. Özellikle birçok modelin gerçeklikten uzaklaştığı uzun vadelerde güçlüydü. Sistemin bireysel parçalarının çıkarıldığı ek deneyler, ilerleyici grafın ve maskelenmiş alt dizi Transformer’ının başarısı için her ikisinin de kritik olduğunu gösterdi.

Günlük Seyahat İçin Anlamı

Uzman olmayanlar için temel çıkarım, PGSFormer’ın şehir trafiğini daha gerçekçi bir şekilde ele alan bir yaklaşımı temsil etmesidir. Yolların her zaman yalnızca hemen yanlarındaki yolları etkilediğini veya desenlerin asla değişmediğini varsaymak yerine, hangi bölgelerin şu anda benzer davrandığını sürekli öğrenir ve bu bilgiyi geleceğe daha uzak bakmak için kullanır. Gerçek otoyol verileriyle yapılan testlerde, bu yaklaşım birçok mevcut yönteme kıyasla daha doğru ve daha kararlı tahminler üretti. Trafik kontrol merkezlerine, navigasyon uygulamalarına veya toplu taşıma planlama araçlarına entegre edildiğinde, bu tür modeller tıkanıklığı azaltmaya, yolculuk sürelerini kısaltmaya ve yeni asfalt döşemeye gerek kalmadan mevcut yol altyapısını daha verimli kullanmaya yardımcı olabilir.

Atıf: 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

Anahtar kelimeler: trafik akışı tahmini, graf sinir ağları, transformer modelleri, akıllı ulaşım, uzamsal-zamansal veriler