VMD ile güçlendirilmiş grafik dikkat ve LSTM ile birleşik mekânsal-zamansal trafik tahmini

Şehir trafiğini tahmin etmenin neden gerçekten önemli olduğu

Trafik sıkışıklığında kalmış herkes, şehirdeki hareketin ne kadar öngörülemez olabileceğini bilir. Ancak perde arkasında, planlamacılar, toplu taşıma işletmecileri ve navigasyon uygulamaları, önümüzdeki birkaç dakika veya saat içinde her sokakta kaç bisiklet, taksi veya aracın olacağını tahmin etmeye çalışan bilgisayarlara güvenir. Bu makale, hassas yolculuk verilerini gizli tutarken bu tahminleri daha doğru hale getirmenin yeni bir yolunu araştırıyor; akıllı sinyal temizleme, ağ modelleme ve şehirler arası ortak öğrenmeyi birleştiren bir yaklaşım sunuyor.

Düzensiz ve gizli trafik verilerinin zorluğu

Şehir trafiği desenleri son derece düzensizdir. Sabah iş çıkışı yoğunluğu, ani fırtınalar, kazalar, yol çalışmaları ve büyük etkinlikler talebi arttırıp azaltır; bu değişimler yerden yere ve günden güne farklılık gösterir. Geleneksel tahmin araçları davranışın zaman içinde oldukça düzenli olduğunu varsayar ki trafik açıkça böyle değildir. Aynı zamanda, bisiklet paylaşım sistemlerinden taksi filolarına kadar birçok farklı kuruluş ayrıntılı hareketlilik verileri topluyor, ancak gizlilik kuralları, ticari rekabet ve güvenlik kaygıları nedeniyle genellikle ham verileri birleştiremiyorlar. Bu karmaşıklıkla başa çıkabilen, birçok ortaklıktan öğrenebilen ve ham verileri yerel tutan bir tahmin yöntemi bu yüzden çok arzu edilir.

Karmaşık sinyalleri daha net parçalara ayırmak

Önerilen sistemin ilk bileşeni, varyasyonel mod ayrıştırma (VMD) adı verilen bir sinyal temizleme adımıdır; bunu, gürültülü bir trafik eğrisini birkaç daha basit dalgaya ve geriye kalan bir parçaya bölen akıllı bir filtre olarak düşünebiliriz. Bir dalga yavaş günlük döngüleri yakalarken, bir diğeri haftalık ritimleri ve diğerleri talebin hızlı, çarpıcı atımlarını temsil edebilir. Modelin bu bileşenlere ayrı ayrı bakmasına izin vererek yöntem, uzun vadeli eğilimlerle kısa süreli sıçramalar arasındaki müdahaleyi azaltır ve desenleri tanımayı kolaylaştırır. Bu ayrıştırma her ortağın makinesinde bağımsız olarak gerçekleşir, böylece orijinal seyahat kayıtları bulundukları kuruluşlardan dışarı çıkmaz.

Modelin zaman ve mekânda desenleri takip etmeyi öğrenmesi

Trafik sinyali daha temiz parçalara ayrıldıktan sonra, talebin zaman içinde nasıl geliştiğini ve şehrin haritası üzerinde nasıl yayıldığını izlemek üzere tasarlanmış bir derin öğrenme omurgasına beslenir. Uzun kısa süreli bellek (LSTM) modülü, hangi geçmiş hareketlerin hatırlanmaya değer olduğuna ve hangilerinin silinmesi gerektiğine karar veren türden seçici bir bellek görevi görür. Çok başlıklı dikkat katmanı ise modeli, örneğin yoğunluk öncesindeki keskin yükselişler veya bir fırtına sona erdikten sonraki ani düşüşler gibi yakın geçmişteki en bilgilendirici zamanlara odaklar. Paralel olarak, grafik tabanlı bir bileşen her istasyon veya bölgeyi bir ağ düğümü olarak ele alır ve değişikliklerin bir alandan diğerine nasıl dalga dalga yayıldığını sabit bir yol haritasına bağlı kalmadan öğrenir. Birlikte, bu parçalar hem zaman hem de mekân açısından değişen ilişkileri yakalayabilen esnek bir motor oluşturur.

Ham verileri paylaşmadan şehirler arasında bilgi paylaşımı

İkinci temel fikir, birçok farklı veri sahibinin ham kayıtlarını merkezi bir sunucuya göndermeden ortak bir tahmin modeli eğitmesine izin vermektir. Bunun yerine her müşteri—örneğin bir ilçedeki bisiklet paylaşım sistemi veya başka bir bölgede bir taksi filosu—modeli yerelde eğitir ve yalnızca güncellenmiş model ayarlarını merkezi bir koordinatöre gönderir. Sunucu bu güncellemeleri yeni bir küresel modele harmanlar ve geri yollar. Ardından istemci tarafında yapılan bir doğrulama adımı, modül modül global değişikliklerin gerçekten o müşterinin kendi verisinde işe yarayıp yaramadığını kontrol eder. Eğer işe yaramıyorsa, müşteri o model parçası için yerel sürümünü korur. Bu seçici benimseme, her katılımcının kalabalığın deneyiminden faydalanmasını sağlarken sistemi kendi özgün desenlerine göre uyarlamaya devam etmesini sağlar.

Deneylerin gerçek dünyada gösterdikleri

Bu yaklaşımın ne kadar iyi çalıştığını görmek için yazarlar iki büyük, gerçek veri kümesi üzerinde test yaptılar: New York City’de saat ve konuma göre toplanmış bisiklet paylaşım yolculukları ve Chicago’da taksi yolculukları. Sistemlerini geleneksel merkezi eğitim ve gizliliği koruyan federated kurulumlar da dahil olmak üzere geniş bir mevcut derin öğrenme ve grafik tabanlı model yelpazesiyle karşılaştırdılar. Genel olarak, VMD ile güçlendirilmiş federated model, güçlü bir baz modele kıyasla ortalama tahmin hatalarını önemli ölçüde azalttı—yaklaşık dörtte bir ile iki beşte bir oranında—ve farklı müşterilerin çok farklı trafik desenlerine sahip olduğu durumlarda bile güvenilir şekilde yakınsadığını gösterdi. Sonuçlar, sinyallerin birden çok frekans bandına ayrılmasının ve her müşterinin hangi paylaşılan güncellemeleri kabul edeceğine dikkatle karar vermesinin, kararlı doğruluk sağlamak için her ikisinin de kritik olduğunu öne sürüyor.

Sonuç: daha akıllı, daha özel trafik tahminleri

Günlük anlatımla, bu çalışma, talep eğrilerini basit dalgalara ayırma, hareketin bir şehir ağı üzerinden zamana yayılışını modelleme ve birçok veri sahibinin ham günlükleri açığa çıkarmadan iş birliği yapmasına izin verme fikirlerini birleştirerek trafik tahminlerinin hem daha keskin hem de gizliliğe daha saygılı olabileceğini gösteriyor. Önerilen çerçeve doğruluk ve sağlamlık açısından önceki yöntemleri düzenli olarak geride bırakıyor; bu da kentsel kurumların, hareketlilik operatörlerinin ve hatta bağlı araçların hassas yolculuk ayrıntılarını yerinde tutarken güçlü tahmin araçlarını ortaklaşa eğittiği bir geleceğe işaret ediyor.

Atıf: Mundada, T., Ramdhave, S., Jain, S. et al. Federated spatial-temporal traffic forecasting with VMD-enhanced graph attention and LSTM. Sci Rep 16, 8852 (2026). https://doi.org/10.1038/s41598-026-37917-w

Anahtar kelimeler: trafik tahmini, federated learning, kentsel hareketlilik, graf sinir ağları, zaman serisi