Trafik akışı tahmini için mekânsal-zamansal ayrıştırılmış etkileşimli öğrenme

Neden Daha Akıllı Trafik Tahminleri Önemli

Her yolculuk, sinyal değişimleri, sürücülerin güzergâh seçimi ve aniden oluşan tıkanıklıklar gibi sayısız, sürekli değişen kararla şekillenir. Arka planda şehirler, sinyalleri ayarlamak, olayları yönetmek ve navigasyon uygulamalarına yol göstermek için birkaç dakikadan bir saate kadar öngörü yapan bilgisayar modellerine giderek daha fazla güveniyor. Bu makale, özellikle trafik desenlerinin mahalleden mahalleye farklılık gösterdiği ve günler, haftalar ve mevsimler boyunca değiştiği karmaşık kentsel ağlarda, bu kısa vadeli tahminleri daha doğru ve güvenilir hale getirmenin yeni bir yolunu sunuyor.

Trafik Desenleri Tek Tip Değildir

Kentsel trafik hem mekâna hem zamana dair bir öyküdür. Sessiz bir banliyö sokağı ile yoğun bir şehir arterinin davranışı çok farklıdır ve yoğun saat dalgaları şehir içinde günlük ve haftalık döngüler halinde yayılır. Geleneksel tahmin araçları genellikle bu farklılıkları düzleştirir veya yollar arasındaki ilişkilerin sabit olduğunu varsayar. Oysa gerçekte, bir spor etkinliğinin bitmesiyle birbirinden uzak yol parçaları aniden aynı ritimde hareket edebilir; bir sensörün şimdiki ölçümü son beş dakikadan ziyade bir saat öncesindeki koşullara daha fazla bağlı olabilir. Yazarlar, yerel tuhaflıkları, uzun mesafe bağlantılarını ve çok günlük ritimleri yakalamanın güvenilir tahminler için zorunlu olduğunu ve mevcut modellerin, birçok derin öğrenme sistemi de dâhil olmak üzere, hâlâ yetersiz kaldığını savunuyorlar.

Daha Net Görmek İçin Mekân ve Zamanı Ayırmak

Bunu ele almak için araştırmacılar, Mekânsal-Zamansal Ayrıştırılmış Etkileşimli Öğrenme (Spatiotemporal-Decoupled Interactive Learning, STDIL) adını verdikleri bir çerçeve tasarlıyorlar. Temel fikir, trafik verilerinin “nerede” ve “ne zaman” yönlerini önce birbirinden ayırmak, her birini derinlemesine incelemek ve sonra yeniden birleştirmek. Bir ila yedi güne uzanan sensör okumalarının uzun geçmişlerini iki yeniden yapılandırma görevine veriyorlar. Birinde veri içindeki tüm yol parçalarını kasıtlı olarak gizleyip modelin eksik geçmişlerini diğer yollardan tahmin etmesi sağlanıyor. Diğerinde zaman dilimleri gizleniyor ve modelden çevreleyici anları kullanarak boşlukları doldurması isteniyor. Bu iki sakla-ve-bul oyunu üzerinde alıştırma yaparak sistem, farklı konumların nasıl davrandığına ve trafiğin dakikalar, saatler ve günler boyunca nasıl evrildiğine dair daha zengin imzalar öğreniyor.

Yol Ağına Kendi Kendine Yeniden Bağlantı Kurma İzni Vermek

Mekân ve zamanı ayrı ayrı anlamanın ötesinde, STDIL yolların birbirini nasıl etkilediğini esnek ve veriye dayalı bir şekilde öğreniyor. Yol ağını kim kiminle bağlıdır diye statik bir harita olarak sabitlemek yerine model, yeni veriler geldikçe içsel “graf” ilişkilerini sürekli olarak ayarlıyor. Fiziksel otoyol düzeninden başlıyor, ardından sıkça birlikte yükselip düşen uzak sensörleri bağlayabilecek öğrenilmiş bağlantılar ekliyor. Özel grafik işleme katmanları, bu gelişen bağlantılar boyunca bilgiyi yayarak hem koridor boyunca geri yayılan kuyruk gibi mahalle etkilerini hem de bir fırtınanın tetiklediği şehir geneli yavaşlamalar gibi geniş alan etkilerini yakalıyor. Bu etkileşimli öğrenme yapısı, kısa vadeli dalgalarla uzun menzilli eğilimlerin birbirleriyle yarışmak yerine birbirlerini güçlendirmesi için ağaç benzeri bir düzen içinde yapılandırılıyor.

Gerçek Otoyollarda Eğitme ve Kazancı Test Etme

Yazarlar STDIL’i, yüzlerce sensörde trafik koşullarını sürekli kaydeden California Performans Ölçüm Sistemi’nden alınan dört büyük otoyol veri kümesi üzerinde test ediyorlar. Yöntemlerini klasik istatistiksel araçlardan graf ve dikkat mekanizmalarını zaten kullanan modern sinir ağlarına kadar geniş bir temel yöntem yelpazesiyle karşılaştırıyorlar. Tüm veri kümelerinde ve bir saate kadar tüm tahmin ufuklarında STDIL, rakip yöntemlere göre daha düşük hatalar veriyor. Özellikle, doğruluğu tahmin penceresi uzadıkça çok daha yavaş bozuluyor; bu da tasarımının gerçekten faydalı uzun menzilli bilgiyi korumaya yardımcı olduğunu gösteriyor. Ek deneyler, mekânsal maskeleme, zamansal maskeleme veya dinamik graf etkileşiminin herhangi birinin çıkarılmasının performansı kötüleştirdiğini gösteriyor ve her parçanın genel kazanca katkıda bulunduğunu doğruluyor.

Günlük Yolculuklar İçin Ne Anlama Geliyor

Pratik açıdan STDIL, modellerin her yol parçasını ve her zaman ölçeğini kendi koşullarına göre ele almasına izin verildiğinde ve yollar arasındaki etkileşim ağının koşullar değiştikçe uyum sağlayabildiğinde trafik tahminlerinin iyileştiğini gösteriyor. Yol kullanıcıları için bu, yalnızca son birkaç dakikadan çıkarım yapmak yerine ani yavaşlamaları ve toparlanmaları daha iyi öngören yönlendirme önerilerine dönüşebilir. Şehir kurumları için ise daha sağlam tahminler, sıradan olmayan olaylar altında da işe yarayan sinyal planları ve kontrol stratejileri anlamına gelir, sadece tipik hafta içleri için değil. Yazarlar verileri otoyollara odaklansa da aynı fikirler şehir sokaklarına ve mekân, zaman ve etkileşimin hepsinin önemli olduğu diğer sistemlere—toplu taşıma ve enerji şebekeleri gibi—genellenebilir ve daha akıllı, daha duyarlı kentsel altyapıya giden bir yol sunar.

Atıf: Chen, L., Wu, Q. Spatiotemporal-decoupled interactive learning for traffic flow prediction. Sci Rep 16, 9050 (2026). https://doi.org/10.1038/s41598-026-38244-w

Anahtar kelimeler: trafik tahmini, graf sinir ağları, kentsel hareketlilik, zaman serisi tahmini, akıllı ulaşım sistemleri