الشبكة التكرارية التلافيفية الرسومية الديناميكية للتنبؤ بالحركة المرورية: معيار وحل

تنبؤ الحركة المرورية يُعدّ الحجر الأساس لنظام النقل الذكي. إن التنبؤ الدقيق بالحركة المرورية ضروري لتطبيقات المدن الذكية، مثل إدارة المرور الذكية والتخطيط الحضري. وعلى الرغم من الطرق المختلفة التي تم اقتراحها لنمذجة البيانات الفضائية-الزمنية، إلا أنها تتجاهل الخصائص الديناميكية للعلاقات المتبادلة بين المواقع على الشبكات الطرقية. وفي الوقت نفسه، لا تتمتع معظم الطرق القائمة على الشبكات العصبية التكرارية (RNN) بكفاءة كافية نظرًا لعمليات التكرار التي تقوم بها. علاوةً على ذلك، يوجد نقص حاد في إجراء مقارنات عادلة بين الطرق المختلفة على نفس المجموعات البيانات. ولحل التحديات المذكورة أعلاه، نقترح في هذه الورقة إطارًا جديدًا لتنبؤ الحركة المرورية يُسمى "الشبكة التكرارية التوافقية الرسومية الديناميكية" (DGCRN). في إطار DGCRN، تم تصميم شبكات فائقة (Hyper-networks) لاستغلال واستخلاص الخصائص الديناميكية من صفات العقد، بينما يتم إنشاء معاملات المرشحات الديناميكية في كل خطوة زمنية. ثم يتم تصفية تمثيلات العقد (node embeddings)، وتُستخدم هذه التمثيلات لتكوين رسم بياني ديناميكي، والذي يُدمج مع رسم بياني ثابت مُعرّف مسبقًا. إلى حد علمنا، نحن أول من يستخدم أسلوب التوليد لنمذجة البنية الدقيقة للرسم البياني الديناميكي في كل خطوة زمنية. وبالإضافة إلى ذلك، ولتعزيز الكفاءة والأداء، نطبّق استراتيجية تدريب على DGCRN من خلال تقييد عدد التكرارات في معالج الترميز (decoder) أثناء العمليات التصاعديّة والهبوطية. وأخيرًا، تم إطلاق معيار موحد قابل للتكرار وقاعدة بيانات جديدة وتمثيلية للحركة المرورية لتمكين المقارنات العادلة والأبحاث المستقبلية. وقد أظهرت التجارب الواسعة على ثلاث مجموعات بيانات أن نموذجنا يتفوق باستمرار على 15 نموذجًا أساسًا (baselines).