基于VMD增强图注意力与LSTM的联邦时空交通预测

为何城市交通预测至关重要

凡是被困在交通堵塞中的人都能体会城市出行的不可预测性。然而在幕后的规划者、公共交通运营者和导航应用，都依赖计算机来预测未来几分钟或几小时内每条街道上会有多少辆共享单车、出租车或私家车。本文探讨了一种新方法，旨在在保持敏感出行数据隐私的同时，通过巧妙的信号清理、网络建模和跨城市的共享学习组合，提高这些预测的准确性。

混乱且私密的交通数据带来的挑战

城市交通模式高度不均衡。早高峰、突发暴雨、事故、施工和大型活动都会在不同地点和不同日子推动需求上下波动。传统的预测工具假定行为在时间上相对规律，而交通显然并非如此。同时，许多不同机构现在收集详细的出行数据——从共享单车系统到出租车车队——但由于隐私法规、商业竞争和安全顾虑，这些机构往往无法或不愿意汇总原始数据。一个能够处理这种混乱、向多个合作方学习并且仍将原始数据保留在本地的预测方法因此非常受欢迎。

把复杂信号拆解为更清晰的成分

所提系统的第一个要素是称为变分模态分解（VMD）的信号清理步骤，可被理解为一种智能滤波器，将嘈杂的交通曲线分解为若干更简单的波动以及剩余项。其中一条波可能捕捉缓慢的日循环，另一条可能反映每周节律，而其他则表示快速、抖动式的需求突发。通过让模型分别观察这些成分，该方法减少了长期趋势与短时峰值之间的相互干扰，使模式更易于识别。这种分解在每个合作方的机器上独立进行，因此原始出行记录永远不会离开其所属组织。

教模型捕捉时空中的模式

一旦交通信号被拆分为更清晰的成分，就将其输入到一个用于跟踪需求随时间展开并在城市空间传播的深度学习主干中。长短期记忆（LSTM）模块充当一种选择性记忆，决定哪些过去的变化值得保留、哪些应当淡化。随后，多头注意力层把模型的注意力集中在近期过去中最具信息量的时刻，例如高峰前的急剧上升或暴雨结束后的急降。并行的图基组件将每个站点或区域视为网络中的节点，学习一个区域的变化如何波及到其他区域，而无需依赖固定的道路地图。诸部分协同组成了一个能够捕捉时空关系动态变化的灵活引擎。

在不共享行程的前提下跨城市共享知识

第二个核心想法是让多个不同的数据所有者在不将原始记录发送至中心服务器的情况下，共同训练一个共享预测模型。每个客户端——例如某一区域的共享单车系统或另一地区的出租车车队——在本地训练模型，仅将更新后的模型参数发送到中央协调器。服务器将这些更新融合为新的全局模型并返回给客户端。随后，客户端在本地逐模块验证这些全局更改是否确实对该客户端的数据有帮助。如果没有，该客户端会为该模型部分保留自己的本地版本。这种选择性采纳使每个参与者既能从集体经验中受益，又能将系统针对自身独特模式进行定制。

真实世界实验的结果

为检验该方法的有效性，作者在两个大型真实数据集上进行了测试：按小时和位置聚合的纽约市共享单车出行与芝加哥出租车乘车数据。将他们的系统与多种现有的深度学习和图模型进行了比较，既包括传统的集中式训练，也包括保护隐私的联邦设置。总体来看，经过VMD增强的联邦模型显著降低了平均预测误差——与强基线相比约降低四分之一到两成五——并且在不同客户端存在显著差异的交通模式时仍能可靠收敛。结果表明，将信号分解为多频段并让每个客户端谨慎决定接受哪些共享更新，对实现稳定的准确性至关重要。

结论：更智能且更私密的交通预测

通俗来说，这项工作表明，通过结合三种思想——将需求曲线分解为简单波动、模拟出行如何随时间在城市网络中传播，以及让多个数据所有者在不暴露原始日志的情况下协作——交通预测可以变得既更准确又更尊重隐私。所提框架在准确性和鲁棒性方面持续优于早期方法，预示着一个未来：城市机构、出行运营商乃至互联车辆可以在本地保留敏感行程细节的同时，共同训练强大的预测工具。

引用: 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

关键词: 交通预测, 联邦学习, 城市出行, 图神经网络, 时间序列