使用混合图卷积与图傅里叶神经算子的一体化时空建模用于交通预测

为什么远期交通预测很重要

任何经历过突发拥堵的人都知道，当今的导航应用多数仍是被动的：它们在拥堵已经形成后才发出警告。本文探讨如何将视角延伸到更远的未来——以分钟到数小时为尺度——使城市与驾驶者能够在堵塞发生前采取规避措施。作者提出了一个新的人工智能框架，学习交通如何在整个路网中随时间传播，其预测精度与计算效率均优于许多现有深度学习方法。

将道路视为一个有机网络

研究并不把每个路侧传感器当作孤立的计数器来处理，而是把整个城市看作一个相互连接的节点网络，类似社交平台上的朋友网。每个传感器的读数不仅受邻近道路的影响，还受通勤流、活动与天气等更远且不断变化的模式影响。传统方法要么假设简单且固定的关系，要么只关注短期历史，从而使长期预测不可靠。相比之下，新模型旨在学习交通如何横跨地图传播以及如何在较长时间尺度上演变，既捕捉日常高峰也能应对罕见扰动。

混合固定拓扑与可变模式

该系统的第一个构建模块聚焦于空间：道路与传感器的位置以及它们之间的相互影响。模型以道路网络的物理布局为起点，这提供了稳定的骨架，指出谁与谁相连。在此之上，模型学习一层额外的、可随数据变化的灵活连接，能发现诸如并非物理相邻但行为相似的道路等隐含关系。一个巧妙的参数共享技巧允许每个传感器发展出自己的行为模式，而不会使模型参数数量激增，因此该系统在实际部署时仍然保持紧凑。

把时间压缩为紧凑信号

下一个挑战是时间：交通测量每隔数分钟到达，为每个传感器产生很长的序列。许多流行的深度学习模型（如循环网络和Transformer）通过逐时间点处理或比较所有时间点来应对，这种方法在序列变长时会变得缓慢且占用大量内存。作者在此采用了不同思路。对每个传感器，他们将其全部近期历史压缩成一个密集的“token”——一个仍能保留总体趋势与变动的数值摘要。这些token被输入模型核心，在那里空间与时间被共同处理。

在频率域“聆听”交通

框架的核心是一个称为图傅里叶神经算子的组件。它不是直接检查原始交通值，而是将全网信号转换到一种频率空间，类似于把一段音乐分解为低音、中音与高音分量。在这种变换视角下，重复出现的高峰时段模式与较慢的背景变化更容易被分离和调整。模型学习应强化或抑制哪些频率，然后将信号转换回路网，并将这种全局视角与更简单的局部路径相结合。该设计在捕捉城市范围内的长程依赖时，计算代价大致与输入历史长度成比例，而不会随之呈爆炸式增长。

在真实数据上验证准确性与效率

为检验方法，研究者在加州交通监测系统的四个标准高速公路数据集上进行了评估。他们将该框架与一系列强基线比较，包括近期的Transformer架构、如Mamba的状态空间模型以及其他基于图的交通预测器。在不同预测时域——从短期（约一小时）到更长窗口——新模型均持续产生更低的误差。它还使用了更少的参数和更少的内存，并且训练速度比依赖注意力或严格顺序处理的基线更快。谨慎的消融与敏感性分析表明：混合图模块、将序列视为token的步骤以及谱域算子等各个设计部分均对性能有实质性贡献。

对日常出行的意义

从实践角度看，这项研究表明可以构建出在不需要巨量计算资源的情况下，能够更早预测交通状况的系统。通过将路网结构知识、观测到的数据模式与基于频率的时间视角相结合，所提出的框架比许多最先进方法提供更稳定、准确的长期预测。对于城市规划者和智能交通系统，这可能转化为更优的信号时序、更智能的路径规划以及对事故和特殊事件更有韧性的响应——让我们更接近于主动而非被动管理交通的城市。

引用: 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

关键词: 交通预测, 图神经网络, 智慧城市, 时空建模, 傅里叶神经算子