From XXLTraffic to EvoXXLTraffic: Scaling Traffic Forecasting to Sensor-Evolving Networks

Resumo Técnico: De XXLTraffic para EvoXXLTraffic: Escalonamento da Previsão de Tráfego para Redes com Sensores em Evolução

Declaração do Problema
As benchmarks existentes de previsão de tráfego dependem predominantemente de conjuntos de dados com conjuntos fixos de sensores e intervalos temporais curtos (tipicamente de meses a alguns anos). Essas suposições não refletem os sistemas inteligentes de transporte do mundo real, onde as redes viárias evoluem continuamente. Na prática, as redes de sensores crescem ano a ano à medida que novos detectores são instalados e antigos ficam inativos, levando a topologias de grafos em mudança e cenários de "início frio" para novos sensores. Além disso, aplicações do mundo real, como o planejamento rodoviário, exigem previsões em horizontes temporais extremamente longos (anos) com lacunas significativas entre a observação e a previsão, uma configuração não suportada pelas benchmarks atuais, que assumem janelas de tempo contíguas. O artigo argumenta que os modelos atuais de Estado da Arte (SOTA), frequentemente otimizados para grafos estáticos e dependências de curto prazo, estão mal equipados para lidar com os desafios duplos de deslocamentos de distribuição temporal ultra-longos e estruturas espaciais dinâmicas e em expansão.

Metodologia e Construção do Conjunto de Dados
Os autores introduzem a família de conjuntos de dados XXLTraffic e sua extensão com sensores em evolução, EvoXXLTraffic, construídos a partir de 27 anos de dados (2001–2024/2025) dos sistemas California PeMS e Transport for NSW (TfNSW).

1. XXLTraffic (Subconjuntos de Sensores Fixos): Para abordar a previsão ultra-longa, os autores curaram subconjuntos de sensores que estiveram ativos continuamente desde o início dos anos 2000. Isso permite:

   • Previsão Baseada em Lacunas: Previsão do fluxo de tráfego com lacunas temporais não contíguas ($g \in \{1, 1.5, 2\}$ anos) entre a janela de observação e o horizonte de previsão.
   • Previsão de Longo Horizonte: Previsão de janela adjacente padrão em dados agregados horários e diários ao longo de períodos de vários anos.

2. EvoXXLTraffic (Subconjuntos de Sensores em Evolução): Para modelar a natureza dinâmica das redes reais, o conjunto de dados é reorganizado em instantâneos anuais. Para cada ano civil e distrito, o conjunto de dados fornece:

   • O conjunto específico de sensores ativos naquele ano.
   • Matrizes de fluxo de tráfego anuais e instantâneos de adjacência de grafos.
   • Mapeamentos explícitos identificando sensores antigos, sensores recém-adicionados (início frio) e sensores inativos.
   • Taxas de crescimento variando de +305% a mais de +10.000% em diferentes distritos (por exemplo, o PEMS05 cresceu de ~6 para ~572 sensores).

3. Protocolos de Benchmark:

   • Protocolo de Lacunas: Avalia modelos em subconjuntos de sensores fixos com grandes lacunas temporais para testar a resiliência contra deslocamentos de distribuição de longo prazo.
   • Protocolo de Streaming Anual: Uma configuração de aprendizado contínuo onde cada ano civil é uma tarefa distinta. Os modelos devem adaptar-se ao novo conjunto de sensores e à topologia do grafo do ano atual, mantendo o conhecimento dos anos anteriores. A avaliação é dividida em desempenho "todos os sensores" e desempenho "novos sensores" (início frio).

Principais Contribuições

• Lançamento do Conjunto de Dados: O lançamento do XXLTraffic e do EvoXXLTraffic, representando as benchmarks públicas de tráfego mais extensas e de maior duração até a data, cobrindo até 27 anos e milhares de sensores.
• Taxonomia do Problema: Uma definição formal de configurações de previsão de tráfego que distingue entre cenários de sensores fixos (lacunas/longo horizonte) e sensores em evolução (streaming/início frio).
• Benchmarking Abrangente: Uma avaliação extensa de 13 baselines representativas, incluindo Redes Neurais Gráficas Espaço-Temporais (STGNNs) estáticas, esquemas online ingênuos, métodos de aprendizado contínuo de grafos em evolução (por exemplo, TrafficStream, PECPM, EAC) e métodos de adaptação por recuperação/tempo de teste.

Resultados Experimentais

• Previsão com Lacunas: Sob lacunas temporais extremas (1–2 anos), a maioria dos modelos SOTA apresenta desempenho pobre, indicando que as arquiteturas atuais lutam com deslocamentos de distribuição de longo prazo. Notavelmente, o MICN, que se concentra em correlações intrínsecas dos dados, superou muitos modelos complexos baseados em Transformer e GNN, sugerindo que alavancar a estrutura intrínseca dos dados é mais crítico do que a complexidade arquitetônica para este desafio específico.
• Streaming com Sensores em Evolução:
  • Desempenho Todos os Sensores: A estratégia simples Online-AN (ajuste fino da base em todos os sensores atualmente ativos a cada ano) emergiu como a baseline mais forte em quase todos os distritos. Métodos sofisticados de grafos em evolução (por exemplo, EAC, TrafficStream) e métodos baseados em recuperação (STRAP) falharam em superar o Online-AN, frequentemente apresentando desempenho pior.
  • Desempenho de Início Frio: Quando avaliado estritamente em sensores recém-adicionados, o Online-NN (ajuste fino apenas nas linhas de novos sensores) tornou-se o melhor desempenho na maioria dos distritos. Backbones estáticos com parâmetros acoplados (por exemplo, DCRNN, TGCN) colapsaram em novos sensores devido à sua incapacidade de generalizar para índices de nós não vistos, enquanto modelos baseados em atenção (ASTGCN) permaneceram competitivos.
  • Modos de Falha: O artigo identifica um regime crítico de falha para os atuais métodos de grafos em evolução: uma combinação de um "grafo inicial pequeno" (subtreinamento da base nos primeiros anos) e "grandes deltas anuais" (crescimento massivo de sensores). Métodos que assumem uma pequena proporção de novos nós falham catastróficamente quando o crescimento é extremo (por exemplo, PEMS04, PEMS05, PEMS06).
• Eficiência: Em termos de eficiência de treinamento, a estratégia simples Online-AN ofereceu um equilíbrio Pareto-ótimo, alcançando o menor Erro Absoluto Médio (MAE) com custo computacional moderado, enquanto métodos de aprendizado contínuo mais complexos incorreram em custos mais altos sem ganhos de precisão.

Significado e Alegações
O artigo alega que a família XXLTraffic complementa as benchmarks existentes ao permitir uma avaliação realista sob redes viárias evolutivas ultra-longas. O significado principal reside em expor as limitações dos métodos atuais SOTA quando aplicados a infraestruturas reais em evolução. Os autores concluem que:

1. Os resultados atuais de última geração em benchmarks estáticas não se traduzem para redes com sensores em evolução.
2. O principal gargalo na previsão com sensores em evolução não é o crescimento bruto do grafo, mas a capacidade do modelo base treinado no grafo inicial (frequentemente pequeno).
3. Estratégias simples de ajuste fino (Online-AN/Online-NN) atualmente superam mecanismos complexos de aprendizado contínuo e adaptação no tempo de teste neste regime de alto crescimento.
4. A pesquisa futura deve focar no desenho de arquiteturas adaptativas de capacidade e representações robustas de início frio para lidar com o regime "grafo inicial pequeno + grande delta anual", em vez de depender de vieses indutivos existentes projetados para grafos estáticos ou de mudança lenta.