城市拥堵与实时交通预测
城市交通拥堵已成为现代城市中的突出难题。它不仅造成通勤时间延长和整体经济效率下降，更严重的是，每年在全球范围内与交通相关的死亡人数高达一百万。近期发表在《基于推理的智能系统国际期刊》上的一项研究表明，人工智能（AI）技术正在为实时交通预测提供新的解决方案，并为道路网络管理带来更优的应对方式。
交通流的时空依赖特性
研究指出，道路上的车辆并不是彼此独立地运行，交通流应被视为一个动态系统。在这个系统中，几乎不存在完全孤立的单点事件，而是呈现出随时间和空间共同变化的整体状态。研究人员将这种现象称为“时空依赖性”。
在某一时刻、某一地点发生的事件，会对其他路段在之后一段时间内的交通状况产生影响。例如，高速公路上某处的车速下降，可能在稍后引发下游路段的拥堵，甚至波及由该高速公路引出的城市道路。
传统预测模型的局限
研究团队指出，长期以来，传统交通预测模型一直难以有效捕捉这类具有延迟性和分布性的影响。许多现有系统往往依赖过于简化的假设，或只基于短期数据模式进行预测，难以全面反映复杂的时空依赖结构。
STG-Former：混合深度学习新方法
为解决上述问题，研究人员提出了一种名为 STG-Former 的混合深度学习模型。该模型结合了两类关键计算方法：图神经网络（Graph Neural Network）与变换器（Transformer）模型。
- 图神经网络部分：将道路系统建模为一个由节点和边构成的图结构，使模型能够把道路、路口及其连接关系表示为一个整体网络，从而学习整个区域范围内的交通状态及其相互影响。
- Transformer部分：通过注意力机制，从时间序列中自动识别在当前时刻最为关键的历史信息，进而捕捉交通状态随时间演变的复杂模式。
两者的结合，使STG-Former能够同时处理空间上的道路网络结构和时间上的动态变化，更全面地刻画交通流的时空依赖特征。
实验结果与应用意义
在标准交通数据集上的测试结果显示，STG-Former在预测精度方面显著优于当前领先的对比模型。尤其是在早晚高峰等严重拥堵时段，该系统依然保持了较高的预测性能，而许多传统模型往往在此类极端工况下表现不佳。
在城市拥堵治理的背景下，这种预测能力的提升具有重要意义。研究人员强调，即便是预测精度上的小幅改进，也可能为交通管理部门提供更可靠的决策依据，帮助其更好地进行信号配时优化、车流引导和应急调度，从而降低发生交通瘫痪或严重堵塞的风险。
