تعلم تذكّر الأنماط: شبكات الذاكرة المتطابقة للأنماط للتنبؤ بالحركة المرورية

تنطوي التنبؤ بالحركة المرورية على صعوبة كبيرة نظرًا لتعقيد الشبكات الطرقية والتغيرات المفاجئة في السرعة الناتجة عن مختلف الأحداث التي تحدث على الطرق. وقد تم اقتراح عدد من النماذج لحل هذه المشكلة الصعبة، مع التركيز على تعلّم الاعتماديات الزمانية-المكانية للطرق. في هذا العمل، نقترح منظورًا جديدًا لتحويل مشكلة التنبؤ إلى مهمة مطابقة أنماط، بافتراض أن البيانات الكبيرة يمكن تمثيلها بمجموعة من الأنماط. ولتقييم صحة هذا المنظور الجديد، قمنا بتصميم نموذج تنبؤ مروري مبتكر يُسمى شبكات الذاكرة القائمة على مطابقة الأنماط (PM-MemNet)، والذي يتعلّم مطابقة البيانات المدخلة مع الأنماط الممثلة باستخدام هيكل ذاكرة مكوّن من "مفتاح-قيمة". أولاً، نستخرج ونجمّع الأنماط المرورية الممثلة، والتي تُستخدم كمفاتيح في الذاكرة. ثم، من خلال مطابقة المفاتيح المستخرجة مع البيانات المدخلة، يحصل PM-MemNet على المعلومات الضرورية حول الأنماط المرورية الحالية من الذاكرة، ويستخدمها في التنبؤ. ولتمثيل الارتباط الزماني-المكاني للحركة المرورية، قمنا باقتراح بنية ذاكرة مبتكرة تُسمى GCMem، التي تدمج بين الانتباه (Attention) والاندماج الرسومي (Graph Convolution) لتعزيز الذاكرة. تُظهر نتائج التجارب أن PM-MemNet أكثر دقة من النماذج الرائدة حاليًا، مثل Graph WaveNet، مع استجابة أعلى. كما نقدّم نتائج تحليل نوعي تصف كيفية عمل PM-MemNet وتحقيقه دقة أعلى عند حدوث تغيرات مفاجئة في سرعة الطرق.