نمذجة الرسم البياني المكاني-الزماني هي مهمة مهمة لتحليل العلاقات المكانية والاتجاهات الزمانية للمكونات في نظام. تقتصر معظم النهج الحالية على التقاط الارتباط المكاني بناءً على هيكل رسم بياني ثابت، بفرض أن العلاقة الأساسية بين الكيانات محددة مسبقًا. ومع ذلك، قد لا تعكس البنية البيانية الصريحة (العلاقة) الاعتماد الحقيقي بالضرورة، وقد تكون العلاقة الحقيقية غائبة بسبب الروابط غير الكاملة في البيانات. بالإضافة إلى ذلك، فإن هذه الطرق غير فعالة في التقاط الاتجاهات الزمانية حيث لا تستطيع الشبكات العصبية التكرارية (RNNs) أو الشبكات العصبية التلافيفية (CNNs) المستخدمة فيها التقاط المتتاليات الزمنية طويلة المدى. لتجاوز هذه القيود، نقترح في هذا البحث معمارية جديدة للشبكات العصبية البيانية تُعرف باسم Graph WaveNet لنمذجة الرسم البياني المكاني-الزماني. من خلال تطوير مصفوفة اعتماد متكيفة جديدة وتعلمها عبر تمثيل العقد، يمكن لنموذجنا التقاط الارتباط المكاني الخفي في البيانات بدقة. باستخدام مكون التفاف uniD متراكم يتميز بحقل استقبال ينمو بشكل أساسي مع زيادة عدد الطبقات، يمكن لـ Graph WaveNet التعامل مع متتاليات طويلة جدًا. يتم دمج هذين المكونين بطريقة سلسة في إطار عمل موحد ويتم تعلم الإطار بأكمله بطريقة شاملة من النهاية إلى النهاية. تظهر نتائج التجارب على قاعدتي بيانات شبكتي حركة المرور العامتين METR-LA وPEMS-BAY الأداء الفائق لخوارزميتنا.请注意，"uniD" 在上下文中可能是 "1D" 的笔误，因此我将其修正为 "1D"（واحد بُعد）以符合科技领域的常用术语。