Trafik tahmini için hibrit grafik konvolüsyonları ve grafik Fourier sinir operatörü ile bütünleşik uzaysal-zamansal modelleme

Trafiği çok önden tahmin etmenin önemi

Aniden oluşan bir trafik sıkışıklığında oturmuş olan herkes bilir ki bugünkü navigasyon uygulamaları hâlâ çoğunlukla reaktiftir: sıkışıklık zaten oluştuğunda sizi uyarırlar. Bu makale, şehirlerin ve sürücülerin tıkanıklık başlamadan önce önlem alabilmesi için geleceğe—onlarca dakika ile saatler—daha uzak bakmanın yollarını araştırıyor. Yazarlar, trafik dalgalarının zaman içinde tüm yol ağı boyunca nasıl yayıldığını öğrenen yeni bir yapay zeka çerçevesi tanıtıyor; bu çerçeve birçok mevcut derin öğrenme yaklaşımından daha doğru ve daha verimli çalışıyor.

Yolları canlı bir ağ olarak görmek

Her yol sensörünü izole bir sayaç olarak görmek yerine çalışma, tüm şehri birbirine bağlı noktalar ağI olarak ele alıyor; bu, bir sosyal platformdaki arkadaş ağına benziyor. Her sensörün ölçümleri yalnızca yakın yollar tarafından değil, aynı zamanda işe‑gidiş‑geliş akışları, etkinlikler ve hava durumu gibi uzak ve değişen kalıplardan da etkilenir. Geleneksel yöntemler ya basit, sabit ilişkiler varsayar ya da yalnızca geçmişin kısa kesitlerine odaklanır; bu da uzun vadeli tahmini güvenilmez kılar. Buna karşılık yeni model, trafiğin harita üzerinde nasıl aktığını ve uzun süreler boyunca nasıl evrildiğini öğrenmek üzere tasarlanmıştır; günlük yoğun saatleri olduğu kadar nadir aksaklıkları da yakalar.

Sabit haritaları değişen kalıplarla harmanlamak

Önerilen sistemin ilk yapı taşı uzaya odaklanır: yolların ve sensörlerin nerede olduğu ve birbirlerini nasıl etkilediği. Model, kim kiminle bağlıdır sorusuna ilişkin sabit bir iskelet sağlayan yol ağının fiziksel düzeninden başlar. Bunun üzerine, verilerle birlikte değişebilen, ek ve esnek bir bağlantı katmanı öğrenir; bu katman, fiziksel olarak bitişik olmasalar bile benzer davranış gösteren yollar gibi gizli ilişkileri keşfeder. Zeki bir parametre paylaşımlı hile, her sensörün kendi davranış örüntüsünü geliştirmesine izin verirken model parametrelerinin patlamasını önler; böylece sistem gerçek dünya dağıtımları için yeterince kompakt kalır.

Zamanı sıkıştırılmış sinyallere dönüştürmek

Sıradaki zorluk zaman: trafik ölçümleri her birkaç dakikada bir gelir ve her sensör için uzun diziler oluşturur. Tekrarlı ağlar ve Transformerlar gibi birçok popüler derin öğrenme modeli bunu her zaman noktasını adım adım işleyerek veya tüm zaman noktalarını birbirleriyle karşılaştırarak ele alır. Dizi uzadıkça bu yaklaşım yavaşlar ve bellek ihtiyacı artar. Burada yazarlar farklı bir fikir kullanıyor. Her sensör için son geçmişin tamamını tek bir yoğun “token”e, yani genel eğilimleri ve değişimleri koruyan sayısal bir özet haline sıkıştırıyorlar. Bu tokenlar modelin özüne besleniyor ve uzay ile zaman birlikte işleniyor.

Zamani frekans dünyasında dinlemek

Çerçevenin merkezinde Grafik Fourier Sinir Operatörü (Graph Fourier Neural Operator) adlı bir bileşen yer alır. Ham trafik değerlerini doğrudan incelemek yerine ağ geneli sinyalleri bir tür frekans uzayına dönüştürür; bu, bir müzik parçasını bas, orta ve tiz bileşenlerine ayırmaya benzer. Bu dönüşmüş görünümde, yineleyen işe‑gidiş desenleri ve daha yavaş arka plan değişimleri izole etmek ve ayarlamak için daha kolay hale gelir. Model hangi frekansların vurgulanması veya zayıflatılması gerektiğini öğrenir ve ardından sinyalleri yol ağına geri çevirir; bu küresel görünümü daha basit bir yerel yol ile birleştirir. Bu tasarım, hesaplama maliyetini girdi geçmişinin uzunluğuyla orantılı tutarken (patlayıcı biçimde büyümesine izin vermeden) uzun menzilli, şehir çapında bağımlılıkları yakalar.

Gerçek veride doğruluk ve verimliliği kanıtlamak

Yaklaşımını test etmek için araştırmacılar, Kaliforniya trafik izleme sisteminden alınan dört standart otoyol veri kümesi üzerinde değerlendirme yapmışlar. Çerçevelerini son Transformer mimarileri, Mamba gibi durum‑uzayı modelleri ve diğer grafik tabanlı trafik tahmincileri de dahil olmak üzere geniş bir güçlü rakip yelpazesiyle karşılaştırmışlar. Kısa vadeden (yaklaşık bir saate) çok daha uzun pencere aralıklarına kadar değişen farklı tahmin ufuklarında, yeni model tutarlı biçimde daha düşük hata üretmiş. Ayrıca daha az parametre ve daha az bellek kullanmış, dikkat‑yoğun veya tamamen ardışık temellere göre daha hızlı eğitilmiş. Dikkatli çıkarım (ablation) ve duyarlılık çalışmaları, tasarımın her parçasının—hibrit grafik modülü, dizi‑token adımı ve spektral operatör—bu performansa anlamlı katkıda bulunduğunu göstermiştir.

Günlük yolculuklar için anlamı

Pratik açıdan çalışma, muazzam hesaplama kaynakları gerektirmeden daha ileriye bakan trafik tahmin sistemleri kurmanın mümkün olduğunu gösteriyor. Yol haritası bilgisi, gözlemlenen veri kalıpları ve zamanın frekans‑tabanlı bir görünümünü birbirine örerek, önerilen çerçeve birçok son teknoloji alternatife kıyasla daha kararlı ve doğru uzun vadeli tahminler sunuyor. Şehir planlamacıları ve akıllı ulaşım sistemleri için bu, sinyal zamanlamalarının iyileştirilmesi, daha akıllı rotalama ve kazalara veya özel etkinliklere daha dayanıklı yanıtlar anlamına gelebilir—trafikte tepki yerine proaktif yönetmeye daha da yaklaşmamızı sağlar.

Atıf: Hosseini, SM., Rahmatinia, S.M. & Hosseini-Seno, SA. Integrated spatio-temporal modeling with hybrid graph convolutions and the graph fourier neural operator for traffic prediction. Sci Rep 16, 12945 (2026). https://doi.org/10.1038/s41598-026-38563-y

Anahtar kelimeler: trafik tahmini, graf sinir ağları, akıllı şehirler, uzaysal-zamansal modelleme, Fourier sinir operatörü