PGSFormer：基于进阶图卷积网络与子序列变换器联合优化的交通流量预测

为何更智能的交通预测至关重要

各地城市都在与浪费时间、燃料和金钱的拥堵作斗争。随着更多道路配备传感器，我们现在能收集到大量关于车辆如何移动的实时数据。挑战在于如何将这些数据转化为可靠的短期与长期预测，以便调整交通信号、推荐路线并在拥堵形成前加以缓解。本文提出了PGSFormer，一种新的预测方法，旨在通过学习空间（道路位置）与时间（模式如何变化）在现实世界中如何相互作用，从而更准确地预测交通。

从简单平均到复杂模式

早期的交通预测工具主要依赖简单统计，比如采用历史平均或假设有规则重复模式的模型。这些方法仅在数据表现稳定、近似线性时有效——而真实交通很少如此。拥堵可能突然出现，不可预测地在城市中扩散，并受到诸多因素的影响，如一天中时间、星期几或附近事件等。后来，深度学习方法开始将路网表示为图结构，每个传感器为一个节点，每条道路为一条边。这类基于图的模型通过识别一条路上的情况会强烈影响其邻近路段，从而提高了精度。然而，它们大多仍将道路连接视为固定不变，忽视了道路之间的关系会随时间变化这一事实。

捕捉不断变化的路网

PGSFormer的设计理念是城市交通网络并非静态；它更像一个活的系统，其内部连接随时刻发生变化。该方法不只依赖道路的物理布局，而是构建了作者所称的进阶图（progressive graph）。在该图中，任意两个传感器之间连接强度基于它们近期交通趋势的相似性，而非仅仅基于地图上的距离。例如，学校区域和附近的办公区在早高峰的表现可能相似，但在下午却大不相同。PGSFormer在训练和测试阶段持续更新这些连接，使模型能够对新鲜数据做出响应，而不是被长期前学到的模式所束缚。

深入时间而不迷失方向

交通预测的另一个难点是处理长时间序列。交通数据通常呈现多重重叠的周期——每日高峰、每周工作模式，甚至季节性变化。标准方法可能过分关注近期数据而忽视更缓慢的趋势，这会损害长程预测。PGSFormer通过结合两种思路来应对这一点。首先，它采用一种特殊的时间卷积，能够在不需要极深网络的情况下回溯较长时间，从而同时捕捉短期波动和更广泛的趋势。其次，它将长历史切分为较短的子序列并输入到变换器（Transformer）中——变换器最初为语言处理设计——同时对部分子序列进行掩蔽并要求模型重建这些被掩蔽的片段。这个“掩蔽子序列”任务教会系统理解更广阔的上下文，而不是死记单个数据点。

在真实交通上的测试

为了检验PGSFormer的实际效果，作者在四个大型真实数据集上进行了测试，这些数据来自加利福尼亚，覆盖洛杉矶和旧金山湾区数百个路侧传感器，以及另外两个高速公路网络。他们将该方法与广泛的竞争模型进行了比较，从经典模型如ARIMA到使用图网络、递归网络和基于Transformer设计的现代深度学习系统。在所有数据集和不同预测时距（15、30和60分钟）上，PGSFormer均持续表现出更低的误差。它在较长预测时距上表现尤为出色，而许多模型在该情形下往往偏离真实情况。消融实验（逐步移除系统的某些组成部分）表明，进阶图与掩蔽子序列变换器两者对其成功至关重要。

这对日常出行意味着什么

对非专业读者而言，关键结论是PGSFormer提供了更现实的城市交通思路。它不再假设道路只影响其直接邻居，或模式永远不变，而是持续学习当前哪些区域表现相似，并利用这些信息展望更远的未来。在真实高速公路数据的测试中，这种方法产生了比许多现有方法更准确且更稳定的预测。如果将此类模型整合进交通控制中心、导航应用或公共交通规划工具，可能有助于减少拥堵、缩短通勤时间，并在无需新增道路的情况下更好地利用现有路网。

引用: 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

关键词: 交通流量预测, 图神经网络, 变换器模型, 智能交通, 时空数据