Graph-Pruning senkt Kommunikationsaufwand bei ST‑GNNs für Verkehrsprognosen

Spatio‑Temporal Graph Neural Networks (ST‑GNNs) sind ideal, um hochfrequente Sensordaten aus verteilten Mobilitätssystemen zu verarbeiten. Wenn diese Modelle jedoch an Edge‑Knoten (Cloudlets) verteilt werden, entsteht ein erheblicher Kommunikationsaufwand, weil benachbarte Knoten ständig überlappende Merkmale austauschen.

Um dieses Problem zu lösen, wurde ein adaptiver Pruning‑Algorithmus entwickelt, der redundante Nachbarmerkmale dynamisch herausfiltert und gleichzeitig die wichtigsten räumlichen Kontextinformationen für die Vorhersage beibehält. Der Pruning‑Grad wird dabei anhand der aktuellen Modellleistung angepasst, sodass jedes Cloudlet gezielt Regionen mit Verkehrsänderungen abdeckt, ohne die Genauigkeit zu beeinträchtigen.

Darüber hinaus wurde die Sudden Event Prediction Accuracy (SEPA) eingeführt – ein neuer, ereignisorientierter Messwert, der die Reaktionsfähigkeit auf Verkehrsverlangsamungen und -wiederherstellungen erfasst. SEPA deckt Schwankungen auf, die herkömmliche Fehlermaße oft übersehen, und unterstreicht damit den wahren Wert räumlicher Konnektivität bei dynamischen Verkehrsprognosen.

Die Methode wurde in einer Online‑Semi‑dezentralen Umgebung mit klassischem Federated Learning, serverfreiem Federated Learning und Gossip Learning auf zwei großen Verkehrsdatensätzen (PeMS‑BAY und PeMSD7‑M) getestet. Für Kurz‑, Mittel‑ und Langzeitvorhersagen zeigte sich, dass SEPA die tatsächliche Leistungsfähigkeit der räumlichen Verbindungen offenbart, während das adaptive Pruning die Genauigkeit beibehält und gleichzeitig die Kommunikationskosten in allen getesteten Szenarien deutlich senkt.