المعادلات التفاضلية المُتحكم بها بالشبكات العصبية الرسومية للتنبؤ بالحركة المرورية

تنبؤ حركة المرور يُعد أحد أكثر المهام الفضائية-الزمنية شيوعًا في مجال التعلم الآلي. ويتمثل أحد النُهج الشائعة في هذا المجال في دمج شبكات الت convolution الرسومية (Graph Convolutional Networks) مع الشبكات العصبية التكرارية (Recurrent Neural Networks) لمعالجة البيانات الفضائية-الزمنية. وقد شهد هذا المجال منافسة شرسة، مع ظهور العديد من الطرق المبتكرة. في هذا البحث، نقدم طريقة تُسمى المعادلة التفاضلية المُسيطرة بالشبكة العصبية الفضائية-الزمنية (STG-NCDE). تُعتبر المعادلات التفاضلية المُسيطرة بالشبكة العصبية (Neural Controlled Differential Equations - NCDEs) مفهومًا ثوريًا لمعالجة البيانات التسلسلية. ونُطِّور هذا المفهوم ونُصمم نموذجين من NCDEs: أحدهما لمعالجة الجوانب الزمنية، والآخر لمعالجة الجوانب الفضائية. وبعد ذلك، ندمج هذين النموذجين في إطار موحد واحد. وقد أجرينا تجارب باستخدام 6 مجموعات بيانات معيارية و20 نموذجًا مرجعيًا. وأظهرت نتائج STG-NCDE دقة أعلى في جميع الحالات، وتفوّقت على جميع النماذج الـ20 المذكورة بفارق ملحوظ.