الشبكات العصبية الرسومية الزمانية-المكانية المعتمدة على المعادلات التفاضلية العادية للتنبؤ بتدفق المرور

تُجذب التنبؤات الفضائية-الزمنية اهتمامًا كبيرًا في طيف واسع من التطبيقات، حيث يُعد تنبؤ حركة المرور مثالًا كلاسيكيًا ونموذجيًا. إن الترابطات الفضائية-الزمنية المعقدة والمتعددة المسافات الطويلة في حركة المرور تُعدّ تحديًا كبيرًا للغاية. تُستخدم في الدراسات الحالية عادةً شبكات الت convolution الرسومية الخفيفة (GNNs) ووحدات استخراج الزمن لتمثيل الاعتماد الفضائي والزمني على حدة. ومع ذلك، فإن قدرة التمثيل في هذه النماذج محدودة بسبب: (1) عدم قدرة الشبكات الرسومية الخفيفة على التقاط الترابطات الفضائية على مسافات طويلة، (2) الاعتماد فقط على الروابط الفضائية مع تجاهل كمّ هائل من الروابط الدلالية، والتي تُعدّ ذات أهمية بالغة لفهم شامل لشبكات المرور. ولحل هذه المشكلة، نقترح نموذجًا يُسمى "شبكات المعادلة التفاضلية العادية الرسومية الفضائية-الزمنية" (STGODE). وبشكل خاص، نُمثّل الديناميات الفضائية-الزمنية من خلال معادلة تفاضلية عادية (ODE) تعتمد على التنسور، مما يسمح ببناء شبكات أعمق واستخدام السمات الفضائية-الزمنية بشكل متزامن. ولتحقيق فهم أعمق للشبكة، نأخذ في الاعتبار مصفوفة الجوار الدلالي في نموذجنا، ونستخدم بنية مخصصة ل.Convolution المُتعددة التوسيع الزمني (temporal dilated convolution) لالتقاط الترابطات الزمنية الطويلة الأمد. وقد تم تقييم نموذجنا على عدة مجموعات بيانات حقيقية لحركة المرور، حيث أظهر أداءً متفوقًا مقارنةً بالأساليب المتطورة الحالية.