💻 computer science

Traffic flow forecasting with explicit priors and prior-conditioned adaptive fusion

Dit artikel stelt een framework voor verkeersstroomvoorspelling voor dat dynamische observaties expliciet scheidt van structurele en periodieke priors, en deze integreert via een nieuw Prior-Conditioned Adaptive Fusion (PCAF)-mechanisme om een state-of-the-art nauwkeurigheid te bereiken over meerdere datasets.

Oorspronkelijke auteurs: Peibei Jiang, Xiang Gu, Yuxiang Guo, Jing Wen, Dongjie Wang

Gepubliceerd 2026-08-12

📖 8 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Peibei Jiang, Xiang Gu, Yuxiang Guo, Jing Wen, Dongjie Wang

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je het weer voor volgende week dinsdag probeert te voorspellen. Je hebt drie verschillende instrumenten in je gereedschapskist: een live radar die nu regenwolken ziet bewegen, een kaart van de lokale bergen en valleien die nooit veranderen, en een kalender die je eraan herinnert dat dinsdagen meestal winderig zijn. Een lange tijd hebben informatici die verkeer proberen te voorspellen, al deze drie instrumenten in één grote, gigantische blender gegooid. Ze mengen de live verkeersgegevens, de wegenkaart en de tijd van de dag samen in één grote soep, in de hoop dat de computer zelf uitzoekt welk ingrediënt wanneer belangrijk is. Maar net als bij een smoothie waarbij je de aardbei niet van de banaan kunt onderscheiden, maakt dit mengen het voor de computer moeilijk om precies te leren hoe de weginrichting of de dagelijkse routine de toekomst helpt voorspellen. Dit artikel pakt dat probleem aan door de vraag te stellen: wat als we de instrumenten tot het allerlaatste moment gescheiden houden, zodat ze de voorspelling alleen sturen wanneer dat nodig is?

Dit onderzoek, geleid door Peibei Jiang en collega's van de Nantong University, stelt een nieuwe manier voor om verkeersstromen te voorspellen, waarbij deze drie ingrediënten — live verkeer, wegstructuur en dagelijkse patronen — behandelt als afzonderlijke gidsen in plaats van een samengesmolten brij. Het team bouwde een systeem dat eerst leert van de "live radar" (recente verkeersgeschiedenis) op zichzelf. Daarna roept het de "kaart" (de vaste lay-out van de wegen) en de "kalender" (de tijd van de dag) aan als speciale helpers. In plaats van ze gewoon te mengen, gebruikt het systeem een slim "adaptief fusiemechanisme". Denk aan een slimme verkeersregelaar die naar het live verslag luistert, maar ook de kaart en de kalender controleert om te beslissen hoeveel gewicht hij aan elk stuk informatie geeft. Als het verkeer normaal verloopt, kan de regelaar meer vertrouwen op het dagelijkse patroon; als er plotseling een file ontstaat, kan hij meer vertrouwen op de live gegevens. Het artikel suggereert dat door deze bronnen gescheiden te houden en een slimme poort te laten beslissen hoe ze gecombineerd moeten worden, de computer veel scherpere voorspellingen kan doen over waar het verkeer zich over een uur, twee uur of zelfs acht uur zal bevinden.

Het Verkeer-Tijdreisprobleem

Het voorspellen van verkeer is een beetje zoals proberen de afloop van een film te raden terwijl deze nog wordt afgespeeld. Je hebt de huidige scène (het verkeer nu), het script (de weginrichting) en het genre (het is spitsuur, dus het is waarschijnlijk druk). Het doel is om de volgende paar scènes te zien voordat ze plaatsvinden. In de echte wereld is dit belangrijk omdat verkeersinstanties moeten weten of een weg binnen 30 minuten verstopt zal raken, zodat ze de verkeerslichten kunnen aanpassen of bestuurders kunnen vertellen een andere route te nemen.

Het probleem is dat verkeersgegevens rommelig zijn. Ze veranderen snel (een auto remt plotseling), maar de wegen zelf veranderen traag (een brug beweegt niet). Bovendien heeft verkeer een ritme; het is altijd druk om 8:00 uur 's ochtends en rustig om 3:00 uur 's nachts. Eerdere computermodellen probeerden dit op te lossen door al deze informatie in één groot neuraal netwerk te duwen. Ze behandelden de wegenkaart, de tijd van de dag en de live verkeerscijfers alsof het allemaal hetzelfde soort data was. De auteurs van dit artikel beargumenteren dat dit is alsos je een boek, een kaart en een klok tegelijk probeert te lezen door ze aan elkaar te lijmen. Het werkt wel, maar het is rommelig en verwarrend voor de computer.

De Nieuwe Strategie: Gescheiden Instrumenten, Slim Mixen

De auteurs stellen een raamwerk voor genaamd PCAF (Prior-Conditioned Adaptive Fusion). In plaats van alles te mengen, bouwen ze drie aparte paden:

Het Dynamische Pad (De Live Radar): Dit deel van het model kijkt alleen naar de recente geschiedenis van het verkeer. Het leert hoe auto's bewegen en van snelheid veranderen zonder zich zorgen te maken over de weginrichting of de tijd van de dag. Het reageert puur op wat er net is gebeurd.
De Ruimtelijke Prior (De Kaart): Dit is een vaste "kaart" van het wegennetwerk. De onderzoekers gebruiken een wiskundig hulpmiddel genaamd een Laplacian spectral basis om een stabiele, onveranderlijke representatie te creëren van hoe de wegen met elkaar verbonden zijn. Het is als een skelet van de stad dat nooit verandert en een constante achtergrondcontext biedt.
De Temporele Prior (De Kalender): Dit deel kijdt naar de tijd van de dag. Het model gebruikt een speciale code gebaseerd op de eerste en tweede "harmonischen" (denk aan de hoofdbeat en de volgende beat van een liedje) om te begrijpen of het de ochtendspits is of de late nacht.

De Magische Lijm: De Adaptieve Fusie

Hier wordt het papier echt slim. Zodra het model zijn "live verkeersmeting", zijn "kaart" en zijn "kalender" heeft, mengt het ze niet zomaar samen. In plaats daarvan gebruikt het een Prior-Conditioned Adaptive Fusion mechanisme.

Stel je een verkeersregelaar voor die bij een bedieningspaneel staat. Hij heeft een live feed van het verkeer (het dynamische deel) en een set aantekeningen van de kaart en de kalender (de priors).

Eerst kijkt de regelaar naar de live feed en de aantekeningen samen om een kandidaat-voorspelling te maken. Dit is een "wat als"-scenario gebaseerd op de context.
Vervolgens berekent de regelaar een poortcoëfficiënt (een getal tussen 0 en 1). Dit getal bepaalt hoeveel vertrouwen hij schenkt aan de live feed versus het "wat als"-scenario.
Als het verkeer vreemd doet (zoals een plotseling ongeluk), kan de regelaar zeggen: "Negeer de kalender, vertrouw op de live feed!" (een hoge poortwaarde).
Als het verkeer rustig en voorspelbaar is, kan de regelaar zeggen: "De live feed is ruisachtig, laten we leunen op de kaart en de tijd van de dag" (een lage poortwaarde).

Dit maakt het model flexibel. Het gebruikt geen vaste regel voor elke situatie; het past de mix aan op basis van de specifieke verkeersomstandigheden op dat moment.

Wat de Cijfers Zeggen

Het team heeft hun nieuwe methode getest op vier echte verkeersdatasets (PEMS03, PEMS04, PEMS07 en PEMS08), die gegevens bevatten van honderden sensoren in verschillende steden. Ze vergeleken hun methode met verschillende andere populaire modellen, inclusief enkele die onder exact dezelfde omstandigheden opnieuw werden gedraaid om een eerlijk gevecht te garanderen.

De resultaten waren zeer sterk. De nieuwe methode behaalde de laagste fout in 10 van de 12 verschillende vergelijkingen (kijkend naar verschillende steden en verschillende foutmetrieken). Specifiek had het de laagste Mean Absolute Error (MAE) op alle vier de datasets.

Vergeleken met een versie van hun model die alleen de live verkeersgegevens gebruikte (zonder de kaart of kalender), verminderde de nieuwe methode de gemiddelde fout met 5,37% voor MAв en 6,49% voor RMSE (Root Mean Squared Error).
Op de PEMS03-dataset was de verbetering zelfs spectaculairder, met een foutvermindering van bijna 9% vergeleken met een van de belangrijkste concurrenten.

Het papier controleerde ook hoe goed het model werkte voor langere voorspellingen (tot 8 uur in de toekomst). Zoals verwacht, hoe verder je vooruitkijkt, hoe moeilijker het is om te voorspellen, en de fout nam toe. Echter, het model bleef stabiel en accuraat over alle tijdstippen.

Het Uitsluiten van de "Magie"

Een van de meest interessante delen van het artikel is wat de auteurs juist hebben uitgesloten. Ze wilden ervoor zorgen dat hun succes niet alleen kwam door het toevoegen van meer wiskundige parameters of willekeurige getallen.

Het is niet alleen de wiskunde: Ze testten het model met "willekeurige" wegenkaarten en "door elkaar gehusselde" wegverbindingen. Toen ze dit deden, werd het model slechter. Dit bewijst dat de specifieke vorm van het echte wegennetwerk ertoe doet, en niet alleen het feit dat het model een kaart heeft.
Het is niet alleen de tijd: Ze testten het gebruik van alleen de eerste "beat" van de dagelijkse cyclus. Dat werkte niet zo goed als het gebruik van zowel de eerste als de tweede beat. Dit suggereert dat verkeerspatronen complex zijn en meer nodig hebben dan alleen een simpel "ochtend versus nacht" signaal.
Het is niet alleen de poort: Ze vergeleken hun fancy "kandidaat-gebaseerde" fusie met een simpelere "gated" methode (waarbij je de twee inputs direct mixt). Hun methode won nog steeds. Dit suggereert dat het creëren van een "wat als"-kandidaat-scenario voordat men besluit hoe te mixen, een cruciale stap is, en niet alleen het proces van het poorten zelf.

De Kern van het Verhaal

Dit artikel suggereert dat het geheim van een betere verkeersvoorspelling niet alleen het bouwen van een groter, complexer brein is. Het gaat erom de informatie beter te organiseren. Door de live verkeersinformatie, de wegenkaart en het dagelijkse schema gescheiden te houden en vervolgens een slim, adaptief systeem te gebruiken om te beslissen hoe ze te combineren, kan het model de toekomst duidelijker zien.

Het model is ook verrassend efficiënt. Het heeft slechts ongeveer 0,083 miljoen trainbare parameters (wat piepklein is voor AI) en kan een voorspelling doen voor een hele stad in ongeveer 1,10 milliseconden. Dit betekent dat het gemakkelijk gebruikt kan worden in real-time systemen om verkeerslichten aan te sturen of bestuurders te begeleiden om files te vermijden. Hoewel de auteurs opmerken dat hun model een vaste kaart gebruikt en mogelijk moeite heeft met plotselinge, onverwachte veranderingen (zoals een enorme ongeluk dat de verkeersstromen direct verandert), suggereren de resultaten sterk dat het scheiden van deze verschillende soorten informatie een winnende strategie is voor het voorspellen van verkeer.

Technische Samenvatting: Voorspelling van Verkeersstromen met Expliciete Priors en Prior-Geconditioneerde Adaptieve Fusie

1. Probleemstelling

Nauwkeurige multi-stap verkeersstroomvoorspelling vereist de gezamenlijke modellering van drie heterogene informatiebronnen: snel variërende historische observaties, relatief stabiele wegennetwerkstructuren en terugkerende intra-dag patronen. Bestaande methoden coderen deze verschillende signalen doorgaans binnen een gedeelde backbone of fuseren ze direct. De auteurs stellen dat deze aanpak de onderscheidende voorspellende rollen van elke bron vertroebelt, waardoor het moeilijk wordt te bepalen of verbeteringen voortkomen uit recente verkeersinformatie, stabiele knoopcontext of terugkerende temporele patronen. Bovendien schieten veel fusiestrategieën, zoals directe concatenatie of gewone gated interpolatie, vaak tekort omdat ze er niet in slagen de interactie tussen dynamische bewijsvoering en structurele/temporele context expliciet te modelleren, of omdat ze interpoleren tussen representaties zonder eerst een prior-geconditioneerde kandidaat te construeren.

2. Methodologie

Het paper stelt een framework voor dat de observatiegestuurde dynamiek expliciet scheidt van de structurele en periodieke priors voordat deze worden gefuseerd via een Prior-Conditioned Adaptive Fusion (PCAF) mechanisme.

2.1 Expliciete Spatiotemporele Priors

Het framework maakt gebruik van drie afzonderlijke verwerkingspaden:

Dynamic Observation Encoder: Een gedeelde encoder verwerkt alleen historische verkeerssequenties om kortetermijnverkeersdynamiek ( $H_d$ ) te leren. Dit pad is onafhankelijk van de graafstructuur of tijdstip-informatie.
Topology-Derived Spatial Prior ( $P_s$ ): Een vaste Laplaciaanse spectrale basis wordt offline berekend vanuit de adjacency matrix van het wegennetwerk. Specifiek wordt de genormaliseerde grafen-Laplacian geëigendecomponeerd, waarbij de eerste $d_s$ eigenvectoren (exclusief de eerste) worden geselecteerd, gestandaardiseerd en geprojecteerd in de latente ruimte. Dit levert stabiele, knoopniveau structurele coördinaten die niet veranderen tijdens inferentie.
Intra-Day Temporal Prior ( $P_t$ ): Een steekproefspecifieke codering gebaseerd op de positie van de laatste geobserveerde stap binnen de dag. Deze maakt gebruik van eerste- en tweede-harmonieke sinusoïdale coderingen (vier dimensies: $\sin, \cos$ voor beide harmonieken) geprojecteerd in de latente ruimte. Dit vangt terugkerende dagelijkse patronen op.

Deze twee priors worden bij elkaar opgeteld om een verenigde spatiotemporele context te vormen: $P_{st} = P_s + P_t$ .

2.2 Prior-Conditioned Adaptive Fusion (PCAF)

In tegenstelling tot standaard gated fusion, dat direct interporeert tussen de dynamische representatie ( $H_d$ ) en de context ( $P_{st}$ ), hanteert PCAF een tweestaps-proces:

Kandidaat Constructie: De dynamische representatie $H_d$ en de verenigde context $P_{st}$ worden geconcateneerd en geprojecteerd om een prior-geconditioneerde kandidaat-representatie ( $H_c$ ) te genereren.
$H_c = \tanh([H_d \parallel P_{st}]W_c + b_c)$
Adaptieve Allocatie: Een elementgewijze allocatiecoëfficiënt ( $\Gamma$ ) wordt gegenereerd uit dezelfde geconcateneerde input. Deze coëfficiënt bepaalt de balans tussen de oorspronkelijke dynamische representatie en de kandidaat-representatie:
$H_f = \Gamma \odot H_d + (1 - \Gamma) \odot H_c$
waarbij $\Gamma = \sigma([H_d \parallel P_{st}]W_\Gamma + b_\Gamma)$ .

Dit ontwerp stelt het model in staat om informatie adaptief te fuseren over samples, knopen en latente dimensies, waarbij de priors worden behandeld als conditionerende signalen voor de dynamische bewijsvoering in plaats van slechts een andere input-feature.

2.3 Voorspelling

Een knoop-gedeelde lineaire head brengt de gefuseerde representatie $H_f$ naar de toekomstige verkeerstoestanden over de voorspellingshorizon $H$ . Het model wordt geoptimaliseerd met behulp van Mean Absolute Error (MAE).

3. Belangrijkste Bijdragen

De auteurs vatten hun bijdragen als volgt samen:

Expliciete Scheiding: Een framework dat observatiegestuurde dynamiek, topologie-afgeleide ruimtelijke priors en intra-dag temporele priors scheidt vóór fusie, wat de onderscheidende rollen van deze componenten verheldert bij multi-stap voorspellingen.
Verenigde Context Instantiatie: Het gebruik van een vaste Laplaciaanse spectrale basis en steekproefspecifieke harmonische tijd-van-de-dag codering om structurele en temporele conditioneringssignalen te bieden.
PCAF Mechanisme: Het ontwerp van Prior-Conditioned Adaptive Fusion, dat een kandidaat-representatie construeert uit de gezamenlijke dynamisch-contextuele input voordat informatie wordt gealloceerd, wat verschilt van directe gated interpolatie.

4. Experimentele Resultaten

De methode werd geëvalueerd op vier real-world datasets (PEMS03, PEMS04, PEMS07, PEMS08) met een verenigd gecontroleerd protocol met een 96-stap inputvenster en een 12-stap forecast horizon.

Prestaties: De voorgestelde methode behaalde de laagste fout in 10 van de 12 dataset–metriek vergelijkingen en de laagste MAE op alle vier de datasets.
- Vergeleken met een "Dynamic-only" variant (geen priors), verminderde het volledige model de gemiddelde MAE en RMSE respectievelijk met 5,37% en 6,49%.
- Op PEMS03 waren de reducties ten opzichte van de sterke GeoWaveNet baseline respectievelijk 8,70% (MAE), 9,83% (RMSE) en 22,33% (MAPE).
Ablatie-studies:
- Bijdrage van Componenten: Het verwijderen van ofwel de ruimtelijke of de temporele prior verhoogde de fouten, wat bevestigt dat zij complementaire informatie bieden.
- Topologische Specificiteit: Controles met willekeurige knoopvectoren, gepermuteerde Laplaciaanse features of herverbonden grafen resulteerden in hogere fouten dan de correcte Laplaciaanse representatie, wat bewijst dat de winst toe te schrijven is aan de werkelijke wegennetwerk-topologie in plaats van aan louter extra parameters.
- Fusiemechanisme: PCAF presteerde beter dan non-gated concatenatie, twee-staps prior fusie en gewone gated fusion, wat de kandidaat-gebaseerde fusie validatie bevestigt.
- Harmonische Codering: Het gebruik van zowel eerste als tweede harmonieken voor de tijd-van-de-dag codering leverde betere resultaten op dan het gebruik van enkel de eerste harmoniek of geen temporele prior.
Efficiëntie: Het model is compact met ongeveer 0,083 miljoen trainbare parameters. De vaste spectrale basis wordt één keer offline berekend, en de online inferentietijd bedraagt gemiddeld 1,10 ms per sample op een NVIDIA GeForce RTX 4080 SUPER.

5. Betekenis en Claims

Het paper claimt dat het expliciet scheiden van observatiegestuurde dynamiek van structurele en periodieke priors, en het integreren hiervan conditioneel via PCAF, zowel de interpreteerbaarheid als de nauwkeurigheid van de voorspelling verbetert. De resultaten ondersteunen de hypothese dat het behandelen van wegen-topologie en intra-dag patronen als conditionerende contexten — in plaats van ze ononderscheidbaar te mengen in een gedeelde backbone — effectievere multi-stap voorspellingen mogelijk maakt.

De auteurs merken op dat hoewel de vaste Laplaciaanse prior een stabiele structurele context biedt, deze de veranderende ruimtelijke relaties (bijv. door ongelukken of congestie) niet volledig kan karakteriseren. Ook is de temporele prior beperkt tot intra-dag harmonische patronen. Toekomstig werk suggereert het combineren van vaste topologie met adaptieve structuur-lering en het integreren van externe factoren zoals weer, feestdagen en wekelijkse periodiciteit, terwijl de scheiding tussen dynamische observaties en contextuele priors behouden blijft.